반디앤루니스 인터넷서점
전체

로고이미지

검색

  • ▼
HOT ISSUE

네비게이션 실시간 인기 책

    엘라스틱서치를 활용한 벡터 검색 실무 가이드

    베스트

    엘라스틱서치를 활용한 벡터 검색 실무 가이드

    • 바할딘 아자르미, 제프 베스탈 저
    • 한우선, 백승민, 유태황 역
    • 위키북스
    • 2024년 06월 26일
    • 정가
      28,000원
    • 판매가
      25,200원 [10% 할인]
    • 결제 혜택
      무이자
    • 적립금
      1,400원 적립 [5%P]

      NAVER Pay 결제 시 네이버페이 포인트 5% 적립 ?

    • 배송구분
      업체배송(반디북)
    • 배송료
      무료배송
    • 출고예정일

      출고예정일 안내

      ※ 출고예정일은 도서 재고상황에 따라 변동될 수 있습니다.

      close

      2026년 02월 05일(목)

      ※ 출고예정일은 도서 재고상황에 따라 변동될 수 있습니다.

    수량
    바로 구매 쇼핑카트 담기 위시리스트
    회원리뷰
    - [0]
    ISBN: 9791158395223 276쪽 524g 188 x 240 (㎜)

    지금 이책은

    이 분야의 베스트셀러

    이 책이 속한 분야

    책 소개

    상품문의 / 정보수정 요청 >

    이 책은

    엘라스틱을 활용해 벡터 검색과 가관측성, 사이버 보안, 챗GPT 통합을 최적화하는 방법을 배워보자!

    자연어 처리(NLP)는 주로 검색 사례에 활용되지만, 이 책은 벡터를 활용해 가관측성과 사이버 보안 같은 중요한 도메인 과제를 해결하는 데 영감을 주는 것이 목표입니다. 각 장은 벡터 검색과 엘라스틱을 통합해 검색 사례뿐만 아니라 가관측성과 사이버 보안 기능도 개선하는 데 초점을 맞춥니다.

    이 책은 먼저 NLP와 NLP 프로세스에서 엘라스틱의 기능을 소개합니다. 다음으로 자원 요구사항을 파악하고 빠른 응답 시간을 위한 특정 페이지 캐시 요구사항과 함께 벡터가 밀집 벡터(dense vector) 유형에 어떻게 저장되는지 알아봅니다. 계속 읽다 보면 노드 스케일링, 설정 튜닝, Rally와 파이썬을 사용한 부하 테스트 등 머신러닝 모델 배포를 개선하려는 다양한 튜닝 기법과 전략을 발견하게 됩니다. 또한 이미지를 활용한 벡터 검색 기법, 성능 향상을 위한 모델 미세 조정, 엘라스틱서치에서 이미지 유사성 검색을 위한 CLIP 모델 사용법도 다룹니다. 마지막으로, RAG(retrieval-augmented generation, 검색 증강 생성)를 살펴보고 벡터화된 데이터, ELSER의 기능, RRF의 정제된 검색 메커니즘을 활용하는 데 챗GPT와 엘라스틱서치를 통합하는 방법을 배웁니다.

    이 책을 다 읽고 나면 엘라스틱을 활용해 프로젝트에서 벡터 검색을 구현하고 최적화하는 데 필요한 모든 기술을 갖추게 됩니다.

    ★ 이 책에서 다루는 내용 ★

    벡터 검색 기능을 활용해 성능 최적화하기
    이미지 벡터 검색과 그 활용 분야 탐구하기
    개인 식별 정보 탐지 및 마스킹하기
    차세대 가관측성을 위한 로그 분석 및 검색 구현하기
    사이버 보안을 위한 벡터 기반 봇 탐지 활용하기
    벡터 공간 시각화 및 엘라스틱의 최신 검색 기능 살펴보기
    스트림릿(Streamlit)을 활용한 RAG 강화 애플리케이션 구현하기


     


     




    출판사 리뷰


    저자 소개

    바할딘 아자르미, 제프 베스탈

    저자 : 바할딘 아자르미 (Bahaaldine Azarmi)

    일래스틱의 글로벌 고객 엔지니어링 부사장으로, 기업이 데이터 아키텍처, 분산 시스템, 머신러닝, 생성형 AI를 잘 활용하게 안내한다. 클라우드 사용에 중심을 둔 고객 엔지니어링팀을 이끌고 AI 분야에서 숙련된 커뮤니티를 구축하고 지식을 공유하여 영감을 주는 데 열정을 쏟고 있다.

     

    저자 : 제프 베스탈 (Jeff Vestal)

    금융 거래 회사에서 10년 이상의 경력을 쌓으며 얻은 풍부한 배경지식과 일래스틱서치에 대한 폭넓은 경험을 갖추고 있다. 운영 능력, 엔지니어링 기술, 머신러닝 전문 지식이라는 독특한 조합을 가지고 있다. 일래스틱서치의 수석 고객 엔터프라이즈 아키텍트로 일하면서 일래스틱서치의 고급 검색 기능, 머신러닝 기능, 생성형 AI 통합을 활용해 사용자가 복잡한 데이터 문제를 실행할 수 있는 인사이트를 얻을 수 있도록 능숙하게 안내하는 혁신적인 솔루션을 만드는 데 탁월한 역량을 갖추고 있다.

    역자 소개

    한우선, 백승민, 유태황

    역자 : 한우선

    삼성SDS 수석 엔지니어로, 다양한 대형 프로젝트와 솔루션 구축 업무를 수행했다. 현재는 생성형 AI 관련 개발을 리딩하고 있으며, AI를 활용한 고객 경험 향상에 앞장서고 있다.

     

    역자 : 백승민

    삼성SDS에서 시멘틱 검색시스템 설계를 담당하고 있다. 엘라스틱을 활용한 업무를 수년간 진행했으며 최근에는 AI를 이해하고 활용하여 새로운 가치를 만들어내기 위해 발버둥치고 있다.

     

    역자 : 유태황

    삼성SDS에서 소프트웨어 아키텍트 및 프로그래머로 일하고 있다. 스프링 부트, 카프카, 엘라스틱서치 등 다양한 백엔드 기술 스택 및 효율적인 아키텍처에 관심이 많다.

    목차

    [1부] 벡터 검색의 기본

    01: 벡터와 임베딩 소개
    1.1 벡터 검색에서 지도 학습과 비지도 학습의 역할 살펴보기
    ___임베딩/벡터란 무엇인가요?
    ___벡터는 어떤 문제를 해결하는 데 사용하나요?
    ___개발자 환경
    ___허깅 페이스(Hugging Face)
    ___시장 환경과 개발자 경험의 가속화
    1.2 사용 사례 및 적용 분야
    ___AI 기반 검색
    ___개체명 인식(NER)
    ___감성 분석
    ___텍스트 분류
    ___질의응답(QA)
    ___텍스트 요약
    1.3 엘라스틱은 이 분야에서 어떤 역할을 하고 있나요?
    ___가관측성 및 사이버 보안에 대한 기본 개념
    요약

    02: 엘라스틱에서 벡터 검색 시작하기
    2.1 벡터 검색 이전 엘라스틱에서의 검색 경험
    ___데이터 유형이 관련성에 미치는 영향
    ___관련성 모델
    2.2 검색 경험의 발전
    ___키워드 기반 검색의 한계
    ___벡터 표현
    2.3 새로운 벡터 데이터 유형과 벡터 검색 쿼리 API
    ___희소 벡터와 밀집 벡터
    ___엘라스틱 클라우드 시작하기
    ___밀집 벡터 매핑
    ___완전 탐색 kNN 검색(Brute-force kNN search)
    ___kNN search
    요약

    [2부] 고급 애플리케이션 및 성능 최적화

    03: 엘라스틱에서의 모델 관리와 벡터 고려 사항
    3.1 허깅 페이스
    ___모델 허브
    ___Datasets
    ___Spaces
    3.2 Eland
    ___허깅 페이스에서 엘라스틱서치로 임베딩 모델 가져오기
    ___엘라스틱서치 인증 구성하기
    ___허깅 페이스 허브에서 모델 가져오기
    ___모델 다운로드
    ___엘라스틱서치 내부에 모델 적재하기
    ___모델 시작하기
    ___모델 배포하기
    ___질의 벡터 만들기
    3.3 엘라스틱서치 내부에서 벡터 만들기
    3.4 클러스터 자원 계획 수립하기
    ___CPU 및 메모리 관련 요구사항
    ___디스크 요구사항
    ___인덱스 디스크 사용량 분석 API
    3.5 머신러닝 노드 용량
    3.6 스토리지 효율성 전략
    ___차원 축소
    ___양자화
    ___source에서 dense_vector 제외하기
    요약

    04: 성능 튜닝 ？ 데이터를 통한 확인
    4.1 NLP 모델 배포
    ___엘라스틱서치에 모델 적재하기
    ___모델 배포와 관련된 설정
    4.2 부하 테스트
    ___Rally
    ___메모리(RAM) 사용량 예측
    ___속도 저하 문제 해결
    요약

    [3부] 특수 사용 사례

    05: 이미지 검색
    5.1 이미지 검색 개요
    ___이미지 검색 발전
    ___이미지 검색 방식
    ___벡터 유사도 검색의 역할
    ___이미지 검색 사례
    5.2 이미지 벡터 검색
    ___이미지 벡터화
    ___엘라스틱서치에 이미지 벡터 색인하기
    ___k-최근접 이웃(kNN) 검색
    ___이미지 검색 분야의 해결 과제와 한계
    5.3 벡터 검색을 위한 멀티모달(Multi-modal) 모델
    ___멀티모달의 필요성
    ___멀티모달 모델의 벡터 공간에 대한 이해
    ___OpenAI clip-ViT-B-32-multilingual-v1 모델 소개
    ___다양한 미디어 유형에 벡터 검색 적용하기
    요약

    06: 엘라스틱서치를 활용한 개인 식별 정보 제거
    6.1 PII 및 제거(redaction) 개요
    ___PII가 포함될 수 있는 데이터 유형
    ___로그에 저장된 PII의 위험성
    ___PII가 유출 및 분실되는 유형
    6.2 NER 모델과 정규식 패턴을 사용한 PII 제거
    ___NER 모델
    ___정규식 패턴
    ___PII 제거를 위한 NER 모델과 정규식(Grok) 패턴의 결합
    6.3 엘라스틱서치의 PII 제거 파이프라인
    ___가짜 PII 만들기
    ___기본 파이프라인 설정
    ___기대 결과
    6.4 PII 제거 파이프라인 확장 및 상세 설정을 위한 옵션
    ___기본 PII 예시 사용자 정의(customizing)하기
    ___신규 데이터 스트림을 위한 파이프라인 복제 및 신규 버전 만들기
    ___특정 데이터 세트를 위한 NER 모델 미세 조정
    ___맥락 인식 기술의 필요성과 적용 방법
    요약

    07: 벡터 기반 차세대 가관측성(Observability)
    7.1 현대 소프트웨어 시스템에서 가관측성과 그 중요성에 대한 소개
    ___가관측성 - 주요 요소
    ___로그 분석과 가관측성에서의 그 역할
    7.2 로그 분석에 벡터와 임베딩을 적용하는 새로운 접근 방식
    ___접근 방식 1 - 로그를 위한 기존 모델 훈련 또는 미세 조정
    ___접근 방식 2 - 사람이 이해할 수 있는 설명을 생성한 후 벡터화
    7.3 로그 벡터화
    ___합성 로그
    ___OpenAI를 활용한 로그 확장
    7.4 로그 시맨틱 검색
    ___로그 벡터 색인
    ___모델 적재
    ___수집 파이프라인
    ___시맨틱 검색
    요약

    08: 벡터와 임베딩이 사이버 보안 강화에 미치는 영향
    8.1 이메일 피싱 탐지의 중요성 이해
    ___피싱이란?
    ___다양한 유형의 피싱 공격
    ___피싱 공격의 빈도에 관한 통계
    ___피싱 이메일 탐지의 도전과제
    ___자동 탐지의 역할
    ___자연어 처리 기술로 기존 기술 보완
    8.2 ELSER 소개
    8.3 생성형 AI에서 ELSER의 역할
    8.4 엔론 이메일 데이터 세트 (ham 또는 spam)
    8.5 ELSER가 작동하는 것을 보기
    ___하드웨어 고려 사항
    ___엘라스틱서치에 ELSER 모델 다운로드
    ___인덱스 설정과 데이터 수집 파이프라인 세팅
    ___ELSER를 활용한 시맨틱 검색
    ___ELSER의 한계점
    요약

    [4부] 혁신적인 통합과 미래 방향

    09: 엘라스틱을 통한 검색 증강 생성
    9.1 ELSER와 RRF를 활용한 RAG 강화 검색 준비하기
    ___ELSER를 활용한 시맨틱 검색
    ___RAG에 대한 필수 고려 사항 요약
    ___RRF를 활용한 ELSER 통합
    ___언어 모델과 RAG
    9.2 심층 사례 연구 ？ RAG 기반 CookBot 만들기
    ___데이터 세트 개요 ？ Allrecipes.com 데이터 세트 살펴보기
    ___RAG 강화 검색을 위한 데이터 준비
    ___ELSER를 사용한 RRF 검색기
    ___검색기 활용 및 생성기 만들기
    요약

    10: 챗GPT용 엘라스틱 플러그인 구축하기
    10.1 맥락의 기초
    ___동적 맥락의 패러다임
    10.2 DCL 플러그인 ？ 구조와 작동 방식
    10.3 DCL 구현하기
    ___엘라스틱 문서에서 최신 정보 가져오기
    ___Embedchain을 활용한 데이터 수준 높이기
    ___챗GPT와 통합해 실시간 대화 상대 만들기
    ___배포
    요약

    부록: 엘라스틱 가이드 GPT 만들기

    배송 시 유의사항

    - 반디앤루니스에서 구매하신 도서는 물류 대행 위탁업체 웅진 북센을 통해 배송됩니다.
     (배송 포장에 "웅진 북센"으로 표기될 수 있습니다.)

    - 구매한 상품의 품질과 배송 관련 문의는 반디앤루니스로 문의 바랍니다.

    - 천재지변 및 택배사의 사정에 따라 배송이 지연될 수 있습니다.

    - 결제(입금) 완료 후 출판사 및 유통사의 사정으로 품절 또는 절판 되어 상품 구입이 어려울 수 있습니다. (별도 안내 예정)

    - 도서산간지역의 경우 추가 배송비가 발생될 수 있습니다.

    반품/교환

    상품 설명에 반품/ 교환 관련한 안내가 있는 경우 그 내용을 우선으로 합니다. (업체 사정에 따라 달라질 수 있습니다)

    반품/교환

    반품/교환
    반품/교환 방법 홈 > 고객센터 > 자주찾는질문 “반품/교환/환불” 안내 참고 또는 1:1상담게시판
    반품/교환 가능 기간 반품,교환은 배송완료 후 7일 이내, 상품의 결함 및 계약내용과 다를 경우 문제발견 후 30일 이내에 신청가능
    반품/교환 비용 변심 혹은 구매착오의 경우에만 반송료 고객 부담(별도 지정 택배사 없음)
    반품/교환 불가 사유
    • 소비자의 책임 사유로 상품 등이 손실 또는 훼손된 경우
    • 소비자의 사용, 포장 개봉에 의해 상품 등의 가치가 현저히 감소한 경우
    • 복제가 가능한 상품 등의 포장을 훼손한 경우 : 예)만화책, 잡지, 화보집 등
    • 시간의 경과에 의해 재판매가 곤란한 정도로 가치가 현저히 감소한 경우
    • 전자상거래등에서의 소비자보호에 관한 법률이 정하는 소비자 청약철회 제한 내용에 해당되는 경우
    • 해외주문 상품(해외 원서)의 경우(파본/훼손/오발송 상품을 제외)
    소비자 피해보상
    환불지연에 따른 배상
    • 상품의 불량에 의한 반품, 교환, A/S, 환불, 품질보증 및 피해보상 등에 관한 사항은
      소비자 분쟁해결 기준(공정거래위원회고시)에 준하여 처리됨
    • 대금 환불 및 환불지연에 따른 배상금 지급 조건, 절차 등은 전자상거래 등에서의
      소비자 보호에 관한 법률에 따라 처리함
    반품/교환 주소 경기도 파주시 문발로 77, 웅진북센(반디앤루니스)
    • 회사명 : (주)서울문고
    • 대표이사 : 김홍구
    • 개인정보 보호책임자 : 김홍구
    • E-mail : bandi_cs@bnl.co.kr
    • 소재지 : (06168) 서울 강남구 삼성로 96길 6
    • 사업자 등록번호 : 120-81-02543
    • 통신판매업 신고번호 : 제2023-서울강남-03728호
    • 물류센터 : (10881) 경기도 파주시 문발로 77 반디앤루니스
    copyright (c) 2016 BANDI&LUNI'S All Rights Reserved