◎ 클라우드 시대, 생성형 AI 애플리케이션 개발의 핵심을 마스터하세요.

아마존 베드록(Amazon Bedrock)은 AWS의 강력하고 유연한 기반 모델(Foundation Model) 서비스입니다. 이 책은 아마존 베드록을 활용하여 생성형 AI 애플리케이션을 실제로 설계하고 구축하는 데 필요한 모든 것을 담고 있습니다. 기본적인 AI 지식부터 시작하여, Bedrock 환경 설정, 다양한 모델 사용법, 실제 비즈니스에 적용할 수 있는 애플리케이션 구현까지 단계별로 안내합니다.

 

◎ 프롬프트 엔지니어링부터 실전 배포까지, 즉시 활용 가능한 실습 중심 가이드!

단순한 이론을 넘어, 현업에서 즉시 사용할 수 있는 실습과 예제를 중심으로 구성되었습니다. RAG(검색 증강 생성)와 같은 고급 아키텍처 구현 방법을 포함하여, 최적의 출력을 얻기 위한 프롬프트 엔지니어링 기술을 깊이 있게 다룹니다. 또한, 개발된 AI 애플리케이션을 안정적으로 운영하고 확장하기 위한 배포 및 관리 노하우까지 총망라하여, 독자들이 프로덕션 레벨의 서비스를 구축할 수 있도록 실질적인 도움을 제공합니다.

 

◎ AI 시대, 기술 격차를 해소하고 경쟁력을 강화하세요.

이 책은 생성 AI 분야에서 경쟁력을 갖추고자 하는 모든 개발자 및 기획자를 위한 필독서입니다. 아마존 베드록이라는 강력한 도구를 통해 차세대 AI 애플리케이션 개발의 표준을 익히고, 복잡한 LLM을 비즈니스 가치로 전환하는 방법을 명확하게 제시합니다.

 

이 책을 통해 생성 AI 혁신의 최전선에 서서, 미래 기술을 선도하는 전문가로 거듭나시길 바랍니다.

[목 차]

▣ 01장: 생성형 AI의 기본과 동향

1.1 ‘생성형 AI’란 무엇인가?

__1.1.1 인공지능(AI)과 생성형 AI의 위치

__1.1.2 생성형 AI의 ‘모델’이란

__1.1.3 ‘모델’에 관한 기초 지식

1.2 유명한 생성형 AI 제품

__1.2.1 ChatGPT

__1.2.2 Stable Diffusion

__1.2.3 GitHub Copilot

1.3 생성형 AI용 API 제공 및 클라우드로 배포

__1.3.1 생성형 AI 모델용 API

__1.3.2 클라우드에서 제공되는 생성형 AI 모델의 API

 

▣ 02장: Amazon Bedrock 입문

2.1 Amazon Bedrock이란

__2.1.1 Bedrock의 장점

__2.1.2 지원되는 AWS 리전

__2.1.3 Bedrock 모델 이용 요금

2.2 왜 AWS의 Bedrock을 선택해야 할까?

__2.2.1 (1) AWS의 강점을 대부분 활용 가능

__2.2.2 (2) 여러 기업이 제공하는 최신 모델을 폭넓게 이용 가능

__2.2.3 (3) 애플리케이션 개발의 높은 편의성

__2.2.4 (4) 엔터프라이즈 레벨의 보안과 거버넌스 제공

2.3 Bedrock에서 사용할 수 있는 생성형 AI 모델

__2.3.1 모델의 종류

__2.3.2 Bedrock의 추천 모델

2.4 Anthropic의 생성형 AI 모델

__2.4.1 Anthropic의 모델의 특징

__2.4.2 Claude 3 시리즈

2.5 Cohere의 생성형 AI 모델

__2.5.1 Cohere의 모델 특징

__2.5.2 Command R 시리즈

__2.5.3 Embed English / Multilingual

2.6 Stability AI의 생성형 AI 모델

__2.6.1 Stability AI의 모델 특징

__2.6.2 Stable Diffusion 3.5 Large

2.7 Amazon의 생성형 AI 모델

__2.7.1 Amazon 모델의 특징

__2.7.2 Amazon Nova 인식 모델

__2.7.3 Amazon Nova 크리에이티브 콘텐츠 생성 모델

2.8 Meta의 생성형 AI 모델

__2.8.1 Meta 모델의 특징

__2.8.2 Llama 3.3

2.9 Mistral AI의 생성형 AI 모델

__2.9.1 Mistral AI의 모델의 특징

__2.9.2 Mistral Large2 / Small

2.10 AI21 Labs의 생성형 AI 모델

__2.10.1 AI21 Labs의 모델의 특징

__2.10.2 Jamba 1.5 Large

2.11 [핸즈온] Bedrock 실제로 사용해보기

__2.11.1 플레이그라운드를 통해 GUI 환경에서 생성하는 방법

__2.11.2 AWS SDK를 사용해서 각 모델 API 요청을 보내는 방법

 

▣ 03장: 생성형 AI 애플리케이션 개발 방법

3.1 프롬프트란

__3.1.1 프롬프트 작성법

__3.1.2 프롬프트의 종류

3.2 토큰이란

__3.2.1 문자열을 토큰으로 분할하기

__3.2.2 토큰 수 계산 방법

3.3 프롬프트 엔지니어링이란

__3.3.1 프롬프트 엔지니어링 가이드라인

__3.3.2 모델 활성화하기

__3.3.3 명확한 작업 설정하기

__3.3.4 문서 제공하기

__3.3.5 구체적인 지침 설정하기

__3.3.6 예시를 제공하기

__3.3.7 단계별 사고 유도하기

__3.3.8 기타 프롬프트 엔지니어링 기법

3.4 생성형 AI 앱 개발에 사용하는 주요 프레임워크

__3.4.1 생성형 AI 프레임워크의 활용

__3.4.2 LangChain

__3.4.3 Streamlit

3.5 LangChain과 Streamlit을 이용한 생성형 AI 앱 개발

__3.5.1 개발 환경 준비

__3.5.2 [스텝1] LangChain 구현하기

__3.5.3 [스텝2] 스트림 출력

__3.5.4 [스텝3] Streamlit 연동하기

__3.5.5 [스텝4] 연속적인 채팅 대화 구현하기

__3.5.6 [스텝5] 채팅 기록 유지하기

3.6 AWS Lambda에서 실행되는 생성형 AI 앱 개발

__3.6.1 AWS Lambda를 활용한 생성형 AI 앱

__3.6.2 활용 사례

__3.6.3 개발 환경 구성

__3.6.4 구현 내용

__3.6.5 Lambda 레이어 만들기

__3.6.6 Lambda 함수 생성하기

3.7 생성형 AI 앱 개발에 사용하는 그 외의 프레임워크

__3.7.1 LlamaIndex

__3.7.2 Gradio

__3.7.3 Chainlit

__3.7.4 Dify

__3.7.5 LiteLLM

 

▣ 04장: 사내 문서 검색 RAG 애플리케이션을 만들어보자

4.1 RAG란?

__4.1.1 RAG의 특징과 유스케이스

__4.1.2 의미 검색을 가능하게 하는 ‘임베딩’

__4.1.3 RAG 아키텍처의 구현 예시

4.2 [핸즈온] 지식 기반으로 RAG를 구현해보자

__4.2.1 지식 기반의 구조

__4.2.2 지식 기반을 활용한 RAG 애플리케이션 개발의 개요

__4.2.3 S3 버킷 생성하기

__4.2.4 Knowledge Base 생성하기

__4.2.5 모델 활성화하기

__4.2.6 지식 기반 단독 동작 확인하기

__4.2.7 프론트엔드 구현하기

__4.2.8 RAG 애플리케이션 실행하기

__4.2.9 불필요한 리소스의 삭제 방법

__4.2.10 지식 기반을 지원하는 생성형 AI 모델

__4.2.11 지식 기반의 쿼리 설정

__4.2.12 지식 기반의 이용 요금

4.3 RAG용 검색 대상 서비스 소개

__4.3.1 이 섹션에서 소개하는 서비스 목록

__4.3.2 Amazon OpenSearch Service (벡터 DB/AWS 서비스)

__4.3.3 Amazon OpenSearch Serverless (벡터 DB/AWS 서비스)

__4.3.4 Amazon Aurora & Amazon RDS (벡터 DB/AWS 서비스)

__4.3.5 Amazon DocumentDB (벡터 DB/AWS 서비스)

__4.3.6 Amazon MemoryDB for Redis (벡터 DB/AWS 서비스)

__4.3.7 Pinecone (벡터 DB/AWS Marketplace 제품)

__4.3.8 Redis Enterprise Cloud (벡터 DB/AWS Marketplace 제품)

__4.3.9 MongoDB Atlas (벡터 DB/AWS Marketplace 제품)

__4.3.10 Amazon Kendra (기타/AWS 서비스)

__4.3.11 Amazon DynamoDB (기타/AWS 서비스)

__4.3.12 Amazon S3 (기타/AWS 서비스)

4.4 추천 RAG 아키텍처 예시

__4.4.1 일단 시험해보기 & 저비용 운영

__4.4.2 답변 품질 중시

__4.4.3 데이터 소스와의 연결성 중시

4.5 RAG의 답변 품질을 높이기 위한 방법

__4.5.1 청크 사이즈의 조정

__4.5.2 메타데이터 추가

__4.5.3 리랭크

__4.5.4 RAG 퓨전

__4.5.5 Rewrite-Retrieve-Read

__4.5.6 HyDE（Hypothetical Document Embeddings）

__4.5.7 기타 새로운 방법

4.6 RAG 애플리케이션의 평가 도구

__4.6.1 Ragas

__4.6.2 LangSmith

__4.6.3 Langfuse

 

▣ 05장: 편리한 자율형 AI 에이전트 만들기

5.1 AI 에이전트란

__5.1.1 도구를 사용하는 AI 에이전트

__5.1.2 고도화된 AI 에이전트 구현 방식 ‘ReAct’란?

__5.1.3 오픈소스 AI 에이전트

__5.1.4 AI 에이전트의 유스케이스

5.2 [핸즈온] LangChain에서 AI 에이전트를 구현해 보기

__5.2.1 사전준비

__5.2.2 핸즈온 ① 툴을 이용하는 AI 에이전트

__5.2.3 핸즈온 ② ReAct 에이전트

5.3 Agents for Amazon Bedrock이란

__5.3.1 Agents for Amazon Bedrock의 개요

__5.3.2 Agents의 구조

__5.3.3 Agents의 상세

__5.3.4 지원 모델과 리전

__5.3.5 Agents의 사용 요금

5.4 [핸즈온] Agents로 AI 에이전트를 만들어 보자

__5.4.1 이 장에서 개발하는 AI 에이전트의 개요

__5.4.2 모델 활성화

__5.4.3 Pinecone 준비

__5.4.4 S3 버킷 작성

__5.4.5 지식 기반 생성

__5.4.6 Lambda 계층 작성

__5.4.7 Agents 작성

__5.4.8 작업 그룹 추가

__5.4.9 Lambda 함수 설정

__5.4.10 지식 기반 추가

__5.4.11 별칭 작성

__5.4.12 동작 확인

__5.4.13 추적 표시

__5.4.14 Orchestration Strategy 변경

 

▣ 06장: Bedrock 기능 활용하기

6.1 커스터마이징 모델

__6.1.1 커스텀 모델이란

__6.1.2 파인튜닝

__6.1.3 지속적인 사전 훈련

__6.1.4 커스텀 모델 가져오기

6.2 세이프가드

__6.2.1 세이프가드란

__6.2.2 워터마크 감지

__6.2.3 가드레일

6.3 평가와 도입

__6.3.1 모델 평가

__6.3.2 프로비저닝된 처리량

6.4 Bedrock 기타 기능

__6.4.1 배치 추론

__6.4.2 SageMaker Unified Studio의 Amazon Bedrock

 

▣ 07장: 다양한 AWS 서비스와 Bedrock의 연계

7.1 Amazon CloudWatch와의 연계

__7.1.1 CloudWatch 개요

__7.1.2 CloudWatch Metrics

__7.1.3 CloudWatch Logs

7.2 AWS CloudTrail과의 연계

__7.2.1 CloudTrail 개요

__7.2.2 관리 이벤트와 데이터 이벤트

7.3 AWS PrivateLink와의 연계

__7.3.1 PrivateLink 개요

__7.3.2 생성형 AI 앱의 네트워크 설계

7.4 AWS CloudFormation과의 연계

__7.4.1 CloudFormation 개요

7.5 그 외의 AWS 서비스와의 연계

__7.5.1 Amazon Aurora

__7.5.2 Amazon CodeCatalyst

__7.5.3 Amazon Lex

__7.5.4 Amazon Transcribe

__7.5.5 Amazon Connect

 

▣ 08장: 생성형 AI 앱을 로우코드로 개발해보자

8.1 AWS Step Functions와 프롬프트 체이닝

__8.1.1 Step Functions란

__8.1.2 통합의 종류

__8.1.3 프롬프트 체이닝이란

__8.1.4 Workflow Studio 사용법

__8.1.5 JSONata 구문을 사용한 값의 참조와 내장 함수

8.2 [핸즈온] Bedrock과 Step Functions를 사용한 생성형 AI 앱 개발

__8.2.1 개발 환경 준비

__8.2.2 핸즈온의 개요

__8.2.3 【단계 1】 Bedrock에 관한 게시물 가져오기

__8.2.4 【단계 2】 가져온 각 게시물의 요점 정리하기

__8.2.5 생성한 태스크 테스트 실행하기

__8.2.6 【단계 3】 자기소개문과 캐치프레이즈 작성하기

__8.2.7 【단계 4】 생성한 내용을 Markdown 형식으로 변환하기

__8.2.8 [단계 5] 썸네일 이미지 생성하기

__8.2.9 완성된 상태 머신 실행

__8.2.10 확인 화면 생성

 

▣ 09장: Bedrock 이외의 생성형 AI 관련 서비스 소개

9.1 AWS의 생성형 AI 스택

__9.1.1 AWS 생성형 AI 스택의 종류

__9.1.2 Amazon Q

9.2 생성형 AI를 애플리케이션으로 사용하고 싶은 경우

__9.2.1 PartyRock

__9.2.2 AWS HealthScribe

9.3 생성형 AI 모델의 학습 및 추론 인프라가 필요한 경우

__9.3.1 Amazon SageMaker

__9.3.2 Amazon SageMaker JumpStart

__9.3.3 Amazon SageMaker Canvas

__9.3.4 AWS의 자체 설계 칩

9.4 [핸즈온] Amazon Q Business 애플리케이션 개발

__9.4.1 RAG에 사용할 문서 준비

__9.4.2 AWS IAM Identity Center 생성

__9.4.3 Amazon Q Business 애플리케이션에 로그인할 사용자 생성

__9.4.4 Amazon Q Business 애플리케이션 생성

__9.4.5 Amazon Q Business 애플리케이션 동작 확인

__9.4.6 Amazon Q Business 애플리케이션 옵션 설정

__9.4.7 핸즈온 환경 삭제

 

▣ 10장: Bedrock의 활용 사례

10.1 미리디 사례

__10.1.1 미리디 소개

__10.1.2 AI 프레젠테이션 생성 기능

__10.1.3 미리캔버스의 아키텍처

__10.1.4 서비스 성과와 향후 계획

10.2 오늘의집 사례

__10.2.1 오늘의집 소개

__10.2.2 오집사 프로젝트 소개

__10.2.3 오집사의 아키텍처

__10.2.4 서비스 성과와 향후 계획

10.3 에이전트소프트(해피캠퍼스) 사례

__10.3.1 에이전트소프트 소개

__10.3.2 EasyAI 서비스 소개

__10.3.3 EasyAI 기능 소개

__10.3.4 EasyAI 아키텍처

__10.3.5 서비스 성과와 향후 계획

 

▣ 11장: 최신 정보 따라잡기

11.1 AWS 공식 자료

__11.1.1 공식 문서

__11.1.2 AWS What’s New

__11.1.3 AWS 블로그

__11.1.4 GitHub 공개 자료

__11.1.5 AWS Innovate

11.2 기술 커뮤니티 및 정보 수집 플랫폼

__11.2.1 AWSKRUG (AWS 한국 사용자 모임)

__11.2.2 Qiita (일본 개발자 사이트)

__11.2.3 X(구 Twitter)

__11.2.4 Discord

__11.2.5 LinkedIn

 

▣ 부록1: AWS 계정 생성 절차

AWS 계정 생성하기

MFA(다중 인증) 설정하기

 

▣ 부록2: IAM 사용자 생성 절차

IAM 사용자 신규 생성하기

MFA(다중 인증)를 생성하기

 

▣ 부록3: 핸즈온 환경 구성