분류 전체보기(140)
-
Pydantic: Python에서 데이터 유효성 검사 단순화 III
유효성 검사기 작업 지금까지 Pydantic의 BaseModel을 사용하여 사전 정의된 유형으로 모델 필드를 검증했으며 검증을 추가로 사용자 정의하기 위해 Field를 통합했습니다. BaseModel과 Field 단독으로 꽤 멀리 갈 수 있지만 사용자 정의 논리가 필요한 보다 복잡한 검증 시나리오의 경우 Pydantic 검증기를 사용해야 합니다.유효성 검사기를 사용하면 함수로 표현할 수 있는 거의 모든 유효성 검사 논리를 실행할 수 있습니다. 다음에서 이 작업을 수행하는 방법을 살펴보겠습니다. 모델 및 필드 검증 계속해서 직원을 예를 들어, 회사에 18세 이상의 직원만 고용한다는 정책이 있다고 가정해 보겠습니다. 새 Employee 개체를 만들 때마다 직원이 18세 이상인지 확인해야 합니다. 이를 처리하..
2024.04.29 -
Pydantic: Python에서 데이터 유효성 검사 단순화 II
모델 사용 데이터 스키마를 정의하는 Pydantic의 기본 방법은 모델을 이용하는 것입니다. Pydantic 모델은 주석이 달린 필드가 있는 엔터티에 대한 데이터를 정의하고 저장하는 Python 데이터 클래스 와 유사한 객체입니다. 데이터 클래스와 달리 Pydantic의 초점은 자동 데이터 구문 분석, 검증 및 직렬화에 중점을 둡니다.이를 이해하는 가장 좋은 방법은 자신만의 모델을 만드는 것입니다. 이것이 바로 다음에 수행할 작업입니다. Pydantic BaseModel 작업 인사부에서 직원 정보를 관리하는 데 사용하는 애플리케이션을 구축 중이고 신입 직원 정보가 올바른 형식인지 확인하는 방법이 필요하다고 가정해 보겠습니다. 예를 들어, 각 직원에게는 ID, 이름, 이메일, 생년월일, 급여, 부서 및 혜..
2024.04.25 -
Pydantic: Python에서 데이터 유효성 검사 단순화 I
Pydantic은 코드베이스의 견고성과 신뢰성을 향상시키도록 설계된 Python용 강력한 데이터 검증 및 설정 관리 라이브러리입니다. 변수가 정수인지 확인하는 것과 같은 기본 작업부터 고도로 중첩된 사전 키와 값이 올바른 데이터 유형인지 확인하는 것과 같은 보다 복잡한 작업에 이르기까지 Pydantic은 최소한의 상용구 코드로 거의 모든 데이터 검증 시나리오를 처리할 수 있습니다.이 튜토리얼에서는 다음 방법을 배웁니다.Pydantic의 BaseModel을 사용하여 데이터 스키마 작업복잡한 사용 사례를 위한 맞춤형 유효성 검사기 작성Pydantic @validate_call로 함수 인수의 유효성을 검사pydantic-settings으로 설정을 관리하고 환경 애플리케이션을 구성이 튜토리..
2024.04.24 -
LangChain으로 LLM RAG 챗봇 구축 VII
5단계: LangChain 에이전트 배포 마침내 병원 시스템 챗봇 역할을 하는 LangChain 에이전트가 작동하게 되었습니다. 마지막으로 해야 할 일은 이해관계자들에게 챗봇을 제공하는 것입니다. 이를 위해 챗봇을 FastAPI 엔드포인트로 배포하고 Streamlit UI를 생성하여 엔드포인트와 상호 작용합니다. 시작하기 전에 프로젝트의 루트 디렉터리에 chatbot_frontend/ 및 tests/ 라는 두 개의 새 폴더를 만듭니다. 또한 다음 위치에 추가 파일과 chatbot_api/에 폴더를 추가해야 합니다. FastAPI 앱을 빌드하려면 chatbot_api에 새 파일이 필요하며 , tests/에는 에이전트에 비동기 요청을 보내는 기능을 보여주는 두 개의 스크립트가 있습니다. 마지막으로 chatb..
2024.04.23 -
LangChain으로 LLM RAG 챗봇 구축 VI
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..
2024.04.22 -
LangChain으로 LLM RAG 챗봇 구축 V
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..
2024.04.18