사내 지식관리도 AI로? 텍스트넷의 RAG 챗봇 구축기
진짜 '현장용' 챗봇은 무엇이 달라야 할까요? 15개 부서, 60개 문서, 1,000페이지를 넘나드는 정보 속에서 사용자가 원하는 답을 정확하게, 보기 좋게 전달하는 사내 챗봇을 만들기까지. 텍스트넷이 직접 경험한 RAG 챗봇 구축의 고민, 실험, 그리고 개선 전략을 공유합니다.
LLM 데이터 전략 : 단 1개월, 제조 현장 챗봇의 정확도를 51%에서 87%로 끌어올린 비밀
제조 현장에서 실제로 쓰이는 LLM 챗봇, 어떻게 1개월 만에 정확도를 51%에서 87%로 끌어올렸을까요? 비정형 문서, 작업 절차, 현장 언어까지 모두 대응한 RAG 챗봇 프로젝트의 생생한 사례를 공개합니다. 전처리 전략부터 프롬프트 설계, 테스트 시나리오와 개선 과정까지, LLM을 실전 투입하기 위한 데이터 전략에 대해 알아보세요.
모델 성능 향상을 위한 LLM 데이터 정제 및 학습 데이터 구축 사례
대규모 언어 모델(LLM)의 데이터 정제와 학습 데이터 구축 방법, 효과적인 데이터 품질 개선과 모델 성능 향상을 위한 노하우를 알아보세요.
정확한 정보 제공을 위한 RAG 기반 QA 데이터 구축 사례
보다 정확한 정보를 제공하기 위한 RAG. RAG의 효율을 극대화하기 위한 QA 데이터셋은 어떻게 구축할 수 있는지 알아보세요.
