패스트캠퍼스 환급챌린지 41일차 : 조대협의 항로 2 : 실전 LLM 애플리케이션 개발 로드맵 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

#패스트캠퍼스 #환급챌린지 #패스트캠퍼스후기 #습관형성 #직장인자기계발 #오공완

https://fastcampus.info/4n8ztzq

1. 학습 인증샷 5장 
① 오늘자 날짜, 공부 시작 시각 포함 사진 1장
② 오늘자 날짜, 공부 종료 시각 포함 사진 1장
③ 1개 클립 수강 인증 사진 (강의장 목록 캡쳐, 강의 내용이 담긴 수강화면이 보이지 않도록) 1장
④ 학습 인증샷 1장 이상 (ex. 필기 촬영, 작업물, 등)
⑤ 마이페이지 - 학습통계 - 챌린지 대상 강의 완강률 캡쳐 사진 1장

오늘 들은 강의

01. Output Parser 를 활용하여 LLM 출력 제어 이론

02. Output Parser 를 활용하여 LLM 출력 제어 실습

오늘 느낀 점

오늘 Output Parser에 대해 공부하면서, 모델의 출력을 어떻게 구조화하고 활용할 수 있는지를 배웠다. 
모델이 단순히 텍스트로 결과를 내놓는 것만으로는 코드에서 원하는 데로 사용할 수 없다는 것을 알게 되었고, 
그래서 이런 결과를 구조화된 형식으로 변환하는 게 중요하다고 느꼈다. 근데, 요새 LLM 은 알아서 json 으로도 잘 준다고 한다. 


예를 들어, 모델이 분석 결과를 단순히 문장으로 내놓는다면, 그걸 활용하거나 다른 시스템과 연동을 하기가 어려울것 같다.
 CSV나 JSON 형식으로 변환하면, 데이터를 더 쉽게 처리하고 다른 시스템에서 바로 활용할 수 있을 것 같다. 

오픈소스 OpenAI 모델을 로컬 환경에 서빙하면서, 실제로 빠른 속도 덕분에 출력 데이터를 바로 처리하고, 이를 자동화된 시스템에 적용하는 데 큰 도움이 되었다.
기존에 이메일을 파싱하는 LLM 모델을 만들었는데 로컬 LLM에서 원하는 데로 정리해주니 너무 좋았다. 

추가로 비용도 없는데, 속도도 너무 빨라서 너무 좋았다. 

이전엔 수업을 들을때 모든 예제를 구글로 변경해서 했는데, 이제는 그럴 필요가 없어졌다. 이것이 생각보다 시간이 오래 걸렸는데, 이제는 예제 그 자체를 환경변수만 변경해서 돌릴 수 있으니, 조금 학습에ㅐ 집중할수 있을 것 같다.   

특히 Llama-server를 새로 빌드해서 실험하면서, output을 효율적으로 파싱하고 변환하는 과정에서 이전에는 놓쳤던 작은 부분들도 다시 한 번 신경을 쓰게 되었다. 
이런 작업들이 구체적인 실용성을 가진다 보니, 매번 새로운 도전을 해결할 때마다 그 만족감도 커지고, 결과적으로 내가 원하는 환경을 로컬에서 직접 구축하는 것이 얼마나 효율적인지를 느꼈다.

Output Parser는 단순히 데이터를 변환하는 걸 넘어, 내가 다루고 싶은 데이터를 좀 더 유용하게, 좀 더 실용적으로 변환하는 핵심적인 도구라는 걸 깨달은 하루였다.