🤖
RAG를 활용한 LLM Application 개발 (feat. LangChain)
인프런 강의 바로가기 ↗️
  • RAG를 활용한 LLM Application 개발 (feat. LangChain)
  • 1. 강의의 목적과 대상
    • 1.1 우리가 만들어낼 결과물로 보는 강의의 목적
    • 1.2 강의자료
  • 2. 본격적인 개발 전 필요한 배경지식
    • 2.1 Retrieval Augmented Generation(RAG)란?
    • 2.2 Vector Database와 Embedding Model 성능 비교
  • 3. LangChain을 활용한 Retrieval Augmented Generation(RAG) 구성
    • 3.1 환경 설정과 LangChain의 ChatOpenAI를 활용한 검증
    • 3.2 LangChain과 Chroma를 활용한 RAG 구성
    • 3.3 LangChain 없이 구성하는 RAG의 불편함
    • 3.4 LangChain을 활용한 Vector Database 변경 (Chroma ➡️ Pinecone)
    • 3.5 Retrieval 효율 개선을 위한 데이터 전처리
    • 3.6 Retrieval 효율 개선을 위한 키워드 사전 활용
  • 4. Streamlit을 활용한 ChatBot 구현
    • 4.1 Streamlit 설치와 user message 작성
    • 4.2 LangChain으로 작성한 코드를 활용한 LLM 답변 생성
    • 4.3 Chat History추가와 streaming 구현
    • 4.4 Few Shot을 활용한 답변 정확도 향상과 포맷 수정
    • 4.5 Streamlit Cloud를 활용한 서비스 배포
  • 5. 서비스 배포했다고 끝이 아니다
    • 5.1 LangSmith를 활용한 LLM Evaluation
    • 5.2 이제는 AI Agent의 시대
Powered by GitBook
On this page
  1. 4. Streamlit을 활용한 ChatBot 구현

4.5 Streamlit Cloud를 활용한 서비스 배포

Previous4.4 Few Shot을 활용한 답변 정확도 향상과 포맷 수정Next5. 서비스 배포했다고 끝이 아니다

Last updated 11 months ago

  • GitHub Repository와 연결하면 ↗️ 를 통해 무료로 배포 가능

    • 전체공개 서비스는 무한으로 배포 가능하지만 Private Service는 1개만 가능

    • 전체공개 서비스의 경우 Streamlit에서 운영하는 리스트에 주소가 공개되는지 불필요한 Log가 많이 찍힘

      • OPENAI_API_KEY 를 등록해둔 상황이라면 비용관리에 주의해야함

  • 만약 도커로 배포하고 싶다면 ↗️ 참고하여 Dockerfile 작성

Streamlit Cloud
Streamlit Docker 배포 공식문서