[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