RAG 성능의 한계를 뚫는 인지 부하 관리 기술
아리가람
생성형 인공지능 또는 LLM을 기반으로 RAG(검색 증강 생성: Retrieval-Augmented Generation) 시스템을 구축해도 바라는 성능이 나오지 않고 마땅한 해결책이 없을 때는 어떻게 해야 할까요? 이 강의에서는 인지 부하(Cognitive Load) 이론을 기반으로 RAG 성능을 개선하는 방안을 제시합니다. 이 강의를 통해서 LLM 컨텍스트 창의 한계를 이해하고, RAG 시스템에서 인지 부하를 효과적으로 관리하는 방법을 알 수 있습니다. 청크(Chunk) 크기와 구조 설계, 고품질 청크 생성 기법, 동적 최적화, 성능 평가 및 실전 기법 등을 다루는 실무 수준 이론 강의입니다.
中級以上
인공지능(AI), ChatGPT, LLM






![[임베디드 입문용] 임베디드 개발은 실제로 이렇게 해요.講義サムネイル](https://cdn.inflearn.com/public/courses/328764/cover/7abf4e46-c5d1-4647-9f7a-b7380ab7aae6/328764-eng.png?w=420)
![[라즈베리파이] IoT 딥러닝 Computer Vision 실전 프로젝트講義サムネイル](https://cdn.inflearn.com/public/courses/324813/course_cover/eb51871d-082a-4b77-add0-f87421aaac46/sjh-IoT.png?w=420)
![[Biz 치트키] AI 다음의 게임체인저, 양자 컴퓨터講義サムネイル](https://cdn.inflearn.com/public/files/courses/340708/cover/ai/3/fd31d41e-336b-4afe-903d-2a908ecadfa2.png?w=420)


![[AI 치트키]업무 순삭의 비밀, Agentic AI講義サムネイル](https://cdn.inflearn.com/public/files/courses/340717/cover/ai/1/3b5cb844-25b5-4576-8224-d293d0989376.png?w=420)