와구와구

https://www.youtube.com/watch?v=dzQZvebTvKc 추천 시스템의 종류아이템(콘텐츠) 기반 추천 시스템(item-based)사용자가 좋아하는 아이템과 유사한 아이템을 추천하는 방식ex ) "토이스토리와 비슷한 장르의 영화를 추천해주세요", "인셉션 감독의 다른 영화를 추천해주세요"사용자 기반 추천 시스템(user-based)특정 아이템을 좋아하는 사용자가 좋아하는 또 다른 아이템을 추천하는 방식ex ) "토이스토리를 좋아하는 사람들이 공통적으로 좋아하는 영화를 추천해주세요" 추천 시스템 예시 : 사용자 기반특정 영화를 좋아하는 사용자가 좋아하는 또 다른 영화 추천= "토이스토리" 영화를 재밌게 봤던 사람은 000 영화도 재밌게 봤어요MATCH (m:Movie)(rec:Movie..

https://www.youtube.com/watch?v=FeAowtZB80w Neo4j그래프 데이터베이스 DBMS, Cypher라는 그래프 쿼리 언어를 통해 그래프 데이터를 다룸 Cypher그래프 데이터베이스에 접근하기 위해 사용되는 그래프 쿼리 언어MATCH (n1)-[r]->[n2] RETURN r, n1, n2 LIMIT 25MATCH : 어떤 노드와 어떤 관계를 표현할 건지 검색할 노드와 릴레이션을 표현하는 구문RETURN : 위에서 표현된 노드와 릴레이션들 중 어떤 값을 반환할 건지에 대한 설명을 RETURN 구문에 작성LIMIT : 어떤 노드와 릴레이션들이 조회가 되었다면, 그 조회된 값들 중 25개만 리턴하고 싶으면 LIMIT 25WHERE 등의 조건문도 사용 가능Neo4j Sandbox..

참고https://www.youtube.com/watch?v=Vj-xOhIMkZE 구글 코랩에서 진행했다. 필요 패키지를 설치한다.!pip install neo4j-graphrag!pip install openai openai API KEY를 설정한다.json으로 API KEY를 저장하여, json을 불러왔다.import jsonimport oswith open('./drive/MyDrive/실습/251010_GraphRAG/openai_api_key.json') as j : json_file = json.load(j) j.close()os.environ["OPENAI_API_KEY"] = json_file['OPENAI_API_KEY'] neo4j ERExtraction 템플릿은 다음과 같..

참고https://www.youtube.com/watch?v=mlsZIThxQcQ https://arxiv.org/abs/2404.16130 From Local to Global: A Graph RAG Approach to Query-Focused SummarizationThe use of retrieval-augmented generation (RAG) to retrieve relevant information from an external knowledge source enables large language models (LLMs) to answer questions over private and/or previously unseen document collections. However, RAG f..

이번 실습은 사용자가 채팅, 자연어 인터페이스를 통해 AI 에이전트를 활용하여 각 요청을 처리할 적절한 에이전트를 선택하고 작업을 수행하도록 돕는 Agent를 만들어본다. Dock 상태, 잉여 재고 처리, 비서 기능, 교통 정보 에이전트, 창고 관리자 에이전트를 생성하고, 모두 창고 관리자 에이전트에 연결한다.라우팅 에이전트는 최종 사용자의 요청을 받아 적절한 에이전트를 선택한 후 응답을 반환하도록 한다. 시뮬레이션되는 상호작용 흐름은1. 창고 관리자가 Dock 상태를 확인하고,2. 잉여 재고 처리에 대한 권장 사항을 요청하며3. 관련 이해관계자에게 알리고4. 창고 주변 교통 상황을 확인하는 과정을 포함한다. 특징이라고 한다면, 이혜관계자에게 알리고, 기록 시스템을 업데이트를 하는데, 동시에 사람이 개입..

1. Agent 생성 Description의 경우, Agent 성능에 영향을 미치지는 않고, 사용자가 적절한 Agent를 사용할 수 있도록 설명을 적어둔 것이라고 한다.Agent의 도메인, 기능과 강점이 무엇인지, Agent의 사용 범위를 적어둔다고 한다. 이번 Agent는 HR 시스템의 자동화를 맡는 역할이다. Default 방식을 선택한다. 2. 지식(Knowledge) file 지식을 사용하기 위해 업로드 한다. 지식 DescriptionThis knowledge base addresses the company's employee benefits, including parental leaves, pet policy, flexible work arrangements, and student loan ..

1. Agent 생성하기 Agent에 대한 description도 넣어준다.페르소나를 지정해주는 것 같다. 사용한 description당신은 직원들의 마케팅 관련 문의를 처리하는 에이전트입니다. 응답은 명확하게 제공하며, 필요시 상세한 설명을 합니다. 캠페인 기획, 마케팅 자료 요청, 브랜드 가이드라인 확인, 성과 리포트 작성 등을 도와줄 수 있습니다. 소셜 미디어 일정 관리, 이벤트 협업, 예산 추적도 지원합니다. 마케팅 도구, 프로세스, 베스트 프랙티스에 대한 일반적인 질문에도 답변합니다. 사용 모델 사용할 모델을 고를 수 있는데, llama3 405b 모델을 사용할 수 있다.구글 코랩에서는 엄두도 못 냈었는데, 이런 큰 모델을 사용할 수 있어서 좋았다.2. 아키텍처 스타일 Default기본적인 프롬..

한국어를 어느 정도 잘 생성할 수 있는 Llama3 모델을 로드하기 위해 HuggingFace 모델을 사용하기로 했다. 참고한 사이트는 다음과 같다.https://littlefoxdiary.tistory.com/128 Llama3 한국어 성능 테스트 | Colab에서 Meta-Llama-3 모델 사용해보기🦙GPT-4에 비견할만한 성능을 가진다는 Meta의 오픈소스 LLM Llama3를 사용해보자! Llama 3 모델 Llama 3 모델 특징8B & 70B 파라미터 규모의 모델으로, MMLU, HumanEval 등 벤치마크 태스크에서 경쟁모델보다littlefoxdiary.tistory.comhttps://huggingface.co/learn/cookbook/ko/advanced_ko_rag 한국어 Ad..

저번에 ChatGPT를 사용해서 LangChain RAG를 구현했기 때문에, 이번엔 Llama3 모델을 사용해서 구현해본다.저번 실습에서 크롤링한 뉴스 데이터를 사용할 예정이다.역시, 구글 코랩을 사용한다. Llama3 구글 코랩에 설치!pip install colab-xterm #https://pypi.org/project/colab-xterm/%load_ext colabxterm!pip install colab-xterm -qqq!pip install langchain -qqq!pip install langchain_community -qqqcolab-xterm은 코랩에서 터미널 명령어를 수행 가능하도록 한다.패키지를 설치해준다. # 코랩에서 터미널 윈도우 열기%xterm해당 명령어로 터미널 윈도우를..

https://arxiv.org/pdf/2411.08561 요약로그 기반 이상 탐지는 로그 데이터를 통해 시스템 문제를 식별하는 것을 목표로 하는 연구 분야로, 소프트웨어 시스템의 신뢰성을 향상시킴기존의 딥러닝 방식은 자연어로 된 로그 데이터에서 내포된 의미 정보를 포착하지 못함본 논문에서, LLM을 활용한 로그 기반 이상 탐지 프레임워크인 LogLLM을 제안 LogLLM은 로그 메세지로부터 semantic vector를 추출하기 위해 BERT 사용로그 시퀀스를 분류?하기 위해 Transformer Decoder 기반 모델인 Llama를 활용BERT와 Llama의 Vector representation space를 정렬하여 로그의 의미를 일관적으로 이해하도록 Projector를 도입 기존 방식 : 로그 ..