엔터프라이즈 Java 개발을 위한 응용 AI (Korean Edition)

제2장. 새로운유형의 애플리케이션

이 작품은 AI를 사용하여 번역되었습니다. 여러분의 피드백과 의견을 환영합니다: [e-mail]

Java 개발자들은 확장성, 유지 보수성, 성능을 갖춘 애플리케이션 구축을 위한 모범 사례를 수십 년간 다듬어 왔습니다. 엔터프라이즈 웹 서비스부터 클라우드 네이티브 마이크로서비스에 이르기까지, 이 언어와 그 생태계는 실제 애플리케이션의 요구에 의해 형성되어 왔습니다. 이제 젠AI(GenAI) 및 기타 AI 기반 기능의 등장으로 새로운 유형의 애플리케이션이 더욱 두드러지게 나타나고 있으며, 이는 추가적인 지식, 아키텍처, 도구들을 요구합니다.

우리는 여러분이 이미 젠AI가 과거의 발전과 근본적으로 단절된 것이 아니라, 딥러닝 분야의 AI 연구 진화와 소프트웨어 엔지니어링의 기초가 결합된 진화라는 점을 이해하고 있기를 바랍니다. Java 개발자들이 모놀리스에서 마이크로서비스로의 전환, 명령형 프로그래밍에서 반응형 프로그래밍으로의 전환에 적응해 왔듯이, 이제 그들은 이미 알고 있는 원칙들—모듈성, 확장성, 테스트 가능성, 유지 보수성—과 조화를 이루는 방식으로 AI 모델을 애플리케이션에 통합해야 하는 과제에 직면해 있습니다.

Java 애플리케이션에서 AI를 효과적으로 활용하려면 이러한 시스템을 작동시키는 핵심 구성 요소를 이해하는 것이 도움이 될 뿐만 아니라 필수적입니다. 일부 구성 요소의 복잡성과 새로움 때문에, 우리는 장별로 개별적으로 층을 벗겨내기로 결정했습니다. 이 장에서는 AI 통합의 핵심 측면을 다음과 같이 분해합니다:

대규모 언어 모델 이해하기

LLMs 은 방대한 양의 텍스트 데이터로 훈련되어 NLP 작업을 수행하는 특별한 종류의 AI 모델입니다. 우리는 그들이 응답을 생성하는 방식을 탐구하고, 그들의 한계를 논의하며, 모델을 분류하고 요구 사항에 맞는 올바른 모델을 사용할 수 있도록 더 관련성 높은 세부 사항을 소개할 것입니다.

모델 유형 이해

모든 AI 모델이 동일하게 만들어지지는 않습니다. LLMs이나 확산 모델 같은 생성 모델이 가장 주목받지만, 이들은 AI 생태계의 일부일 뿐입니다. 분류기나 임베딩 모델 등 다양한 유형의 모델을 살펴보겠습니다.

지원 기술

AI 모델은 고립되어 작동하지 않습니다. 풍부한 도구와 프레임워크 생태계에 의존합니다. 지식을 효율적으로 저장하고 검색하는 벡터 데이터베이스부터 모델을 서비스로 노출하는 API에 이르기까지, 강력하면서도 유지 보수성이 뛰어난 애플리케이션을 구축하려는 Java 개발자에게 AI 스택 이해는 필수적입니다.

모델에 새로운 기술 가르치기

기존 소프트웨어와 달리 AI 기반 애플리케이션은 다양한 방식으로 개선됩니다: 파인 튜닝, 검색 강화 생성(RAG), 강화 학습 등이 그것입니다. 특히 제어와 맞춤화가 핵심인 기업 환경에서 이러한 기술과 그 장단점을 논의할 것입니다.

다루어야 할 내용이 많아 보이지만, 가능한 한 간결하게 설명하고 가장 기본적인 지식만 제공할 것을 약속드립니다.

대규모 언어 모델 ...