4단계: LangChain에서 그래프 RAG 챗봇 구축 지금까지 수행한 모든 준비 설계 및 데이터 작업이 끝나면 마침내 챗봇을 구축할 준비가 되었습니다! Neo4j에 저장된 병원 시스템 데이터와 LangChain 추상화의 힘을 사용하면 챗봇 구축에 많은 작업이 필요하지 않다는 것을 알게 될 것입니다. 이는 AI 및 ML 프로젝트의 공통 주제입니다. 대부분의 작업은 AI 자체를 구축하는 것이 아니라 설계, 데이터 준비 및 배포에 있습니다. 시작하기 전에 chatbot_api/다음 파일과 폴더가 포함된 폴더를 프로젝트에 추가하세요. .env 파일에 몇 가지 환경 변수를 더 추가할 수도 있습니다. # .env OPENAI_API_KEY= NEO4J_URI= NEO4J_USERNAME= NEO4J_PASSWOR..

3단계: Neo4j 그래프 데이터베이스 설정 2단계 에서 본 것처럼 병원 시스템 데이터는 현재 CSV 파일에 저장되어 있습니다. 챗봇을 구축하기 전에 챗봇이 쿼리할 수 있는 데이터베이스에 이 데이터를 저장해야 합니다. 이를 위해 Neo4j AuraDB를 사용합니다. Neo4j AuraDB 인스턴스를 설정하는 방법을 배우기 전에 그래프 데이터베이스에 대한 개요를 살펴보고 이 프로젝트에서 그래프 데이터베이스를 사용하는 것이 관계형 데이터베이스보다 더 나은 선택일 수 있는 이유를 확인하게 됩니다. 그래프 데이터베이스의 간략한 개요 Neo4j와 같은 그래프 데이터베이스는 저장된 데이터를 그래프로 표현하고 처리하도록 설계된 데이터베이스입니다. 그래프 데이터는 노드, 가장자리 또는 관계, 속성으로 구성됩니다. 노드..

2단계: 비즈니스 요구 사항 및 데이터 이해 AI 프로젝트 작업을 시작하기 전에 해결하려는 문제를 이해하고 문제 해결 방법에 대한 계획을 세워야 합니다. 여기에는 문제를 명확하게 정의하고, 요구 사항을 수집하고, 사용할 수 있는 데이터와 기술을 이해하고, 이해관계자의 명확한 기대치를 설정하는 것이 포함됩니다. 이 프로젝트에서는 문제를 정의하고 챗봇에 대한 비즈니스 요구 사항을 수집하는 것부터 시작합니다. 문제 및 요구 사항 이해 당신이 미국의 대규모 병원 시스템에서 일하는 AI 엔지니어라고 상상해 보세요. 이해관계자는 자신이 수집하는 끊임없이 변화하는 데이터에 대한 더 많은 가시성을 원합니다. 그들은 SQL과 같은 쿼리 언어를 이해하거나 분석가에게 보고서를 요청하거나 누군가 대시보드를 구축할 때까지 기다..

프롬프트 템플릿 LangChain을 사용하면 프롬프트 템플릿을 사용하여 챗봇을 위한 모듈식 프롬프트를 디자인할 수 있습니다. LangChain의 문서를 인용하면 프롬프트 템플릿을 언어 모델에 대한 프롬프트를 생성하기 위한 사전 정의된 레시피로 생각할 수 있습니다. 리뷰를 통해 환자 경험에 대한 질문에 답변하는 챗봇을 구축한다고 가정해 보겠습니다. 이에 대한 프롬프트 템플릿은 다음과 같습니다. [ ]: from langchain.prompts import ChatPromptTemplate review_template_str = """Your job is to use patient reviews to answer questions about their experience at a hospital. Use t..

1단계: LangChain에 익숙해지기 챗봇을 설계하고 개발하기 전에 LangChain을 사용하는 방법을 알아야 합니다. 이 섹션에서는 병원 시스템 챗봇의 예비 버전을 구축하여 LangChain의 주요 구성 요소와 기능을 알아봅니다. 이는 완전한 챗봇을 구축하는 데 필요한 모든 도구를 제공합니다. 선호하는 코드 편집기를 사용하여 새 Python 프로젝트를 만들고 해당 종속성에 대한 가상 환경을 만들어야 합니다. Python 3.10 이상이 설치되어 있는지 확인하십시오. 가상 환경을 활성화하고 다음 라이브러리를 설치하십시오. [ ]: !conda create -n langchain python=3.12 -y # !source ../.bashrc # !conda init !conda activate lang..

OpenAI의 ChatGPT와 같은 대규모 언어 모델(LLM)과 상호 작용하고 질문에 답변하고 문서를 요약하고 코드를 작성하는 등의 놀라운 능력을 경험했을 것입니다. LLM은 그 자체로 훌륭하지만 약간의 프로그래밍 지식만 있으면 LangChain과 같은 라이브러리를 활용하여 거의 모든 작업을 수행할 수 있는 자체 LLM 기반 챗봇을 만들 수 있습니다. 기업 환경에서 LLM 기반 챗봇을 만드는 가장 인기 있는 방법 중 하나는 검색 증강 생성(RAG)을 이용하는 것입니다. RAG 시스템을 설계할 때 검색 모델을 사용하여 일반적으로 데이터베이스나 코퍼스에서 관련 정보를 검색하고 이 검색된 정보를 LLM에 제공하여 상황에 맞는 관련 응답을 생성합니다. 이 튜토리얼에서는 대규모 병원 시스템에서 일하는 AI 엔지니..