AI-Master-Book
  • about AI-Master-Book
  • AI Master Book
    • 이상치 탐지 with Python
    • 베이지안 뉴럴네트워크 (BNN) with Python
    • 그래프 뉴럴네트워크 (GNN) with Python
    • 데이터 마케팅 분석 with Python
  • LLM MASTER BOOK
    • OpenAI API 쿡북 with Python
    • 기초부터 심화까지 RAG 쿡북 with Python
  • LLMs
    • OpenAI API
      • 1️⃣ChatCompletion
      • 2️⃣DALL-E
      • 3️⃣Text to Speech
      • 4️⃣Video to Transcripts
      • 5️⃣Assistants API
      • 6️⃣Prompt Engineering
      • 7️⃣OpenAI New GPT-4o
    • LangChain
      • LangChain Basic
        • 1️⃣Basic Modules
        • 2️⃣Model I/O
        • 3️⃣Prompts
        • 4️⃣Chains
        • 5️⃣Agents
        • 6️⃣Tools
        • 7️⃣Memory
      • LangChain Intermediate
        • 1️⃣OpenAI LLM
        • 2️⃣Prompt Template
        • 3️⃣Retrieval
        • 4️⃣RAG ChatBot
        • 5️⃣RAG with Gemini
        • 6️⃣New Huggingface-LangChain
        • 7️⃣Huggingface Hub
        • 8️⃣SQL Agent & Chain
        • 9️⃣Expression Language(LCEL)
        • 🔟Llama3-8B with LangChain
      • LangChain Advanced
        • 1️⃣LLM Evaluation
        • 2️⃣RAG Evaluation with RAGAS
        • 3️⃣LangChain with RAGAS
        • 4️⃣RAG Paradigms
        • 5️⃣LangChain: Advance Techniques
        • 6️⃣LangChain with NeMo-Guardrails
        • 7️⃣LangChain vs. LlamaIndex
        • 8️⃣LangChain LCEL vs. LangGraph
    • LlamaIndex
      • LlamaIndex Basic
        • 1️⃣Introduction
        • 2️⃣Customization
        • 3️⃣Data Connectors
        • 4️⃣Documents & Nodes
        • 5️⃣Naive RAG
        • 6️⃣Advanced RAG
        • 7️⃣Llama3-8B with LlamaIndex
        • 8️⃣LlmaPack
      • LlamaIndex Intermediate
        • 1️⃣QueryEngine
        • 2️⃣Agent
        • 3️⃣Evaluation
        • 4️⃣Evaluation-Driven Development
        • 5️⃣Fine-tuning
        • 6️⃣Prompt Compression with LLMLingua
      • LlamaIndex Advanced
        • 1️⃣Agentic RAG: Router Engine
        • 2️⃣Agentic RAG: Tool Calling
        • 3️⃣Building Agent Reasoning Loop
        • 4️⃣Building Multi-document Agent
    • Hugging Face
      • Huggingface Basic
        • 1️⃣Datasets
        • 2️⃣Tokenizer
        • 3️⃣Sentence Embeddings
        • 4️⃣Transformers
        • 5️⃣Sentence Transformers
        • 6️⃣Evaluate
        • 7️⃣Diffusers
      • Huggingface Tasks
        • NLP
          • 1️⃣Sentiment Analysis
          • 2️⃣Zero-shot Classification
          • 3️⃣Aspect-Based Sentiment Analysis
          • 4️⃣Feature Extraction
          • 5️⃣Intent Classification
          • 6️⃣Topic Modeling: BERTopic
          • 7️⃣NER: Token Classification
          • 8️⃣Summarization
          • 9️⃣Translation
          • 🔟Text Generation
        • Audio & Tabular
          • 1️⃣Text-to-Speech: TTS
          • 2️⃣Speech Recognition: Whisper
          • 3️⃣Audio Classification
          • 4️⃣Tabular Qustaion & Answering
        • Vision & Multimodal
          • 1️⃣Image-to-Text
          • 2️⃣Text to Image
          • 3️⃣Image to Image
          • 4️⃣Text or Image-to-Video
          • 5️⃣Depth Estimation
          • 6️⃣Image Classification
          • 7️⃣Object Detection
          • 8️⃣Segmentatio
      • Huggingface Optimization
        • 1️⃣Accelerator
        • 2️⃣Bitsandbytes
        • 3️⃣Flash Attention
        • 4️⃣Quantization
        • 5️⃣Safetensors
        • 6️⃣Optimum-ONNX
        • 7️⃣Optimum-NVIDIA
        • 8️⃣Optimum-Intel
      • Huggingface Fine-tuning
        • 1️⃣Transformer Fine-tuning
        • 2️⃣PEFT Fine-tuning
        • 3️⃣PEFT: Fine-tuning with QLoRA
        • 4️⃣PEFT: Fine-tuning Phi-2 with QLoRA
        • 5️⃣Axoltl Fine-tuning with QLoRA
        • 6️⃣TRL: RLHF Alignment Fine-tuning
        • 7️⃣TRL: DPO Fine-tuning with Phi-3-4k-instruct
        • 8️⃣TRL: ORPO Fine-tuning with Llama3-8B
        • 9️⃣Convert GGUF gemma-2b with llama.cpp
        • 🔟Apple Silicon Fine-tuning Gemma-2B with MLX
        • 🔢LLM Mergekit
    • Agentic LLM
      • Agentic LLM
        • 1️⃣Basic Agentic LLM
        • 2️⃣Multi-agent with CrewAI
        • 3️⃣LangGraph: Multi-agent Basic
        • 4️⃣LangGraph: Agentic RAG with LangChain
        • 5️⃣LangGraph: Agentic RAG with Llama3-8B by Groq
      • Autonomous Agent
        • 1️⃣LLM Autonomous Agent?
        • 2️⃣AutoGPT: Worldcup Winner Search with LangChain
        • 3️⃣BabyAGI: Weather Report with LangChain
        • 4️⃣AutoGen: Writing Blog Post with LangChain
        • 5️⃣LangChain: Autonomous-agent Debates with Tools
        • 6️⃣CAMEL Role-playing Autonomous Cooperative Agents
        • 7️⃣LangChain: Two-player Harry Potter D&D based CAMEL
        • 8️⃣LangChain: Multi-agent Bid for K-Pop Debate
        • 9️⃣LangChain: Multi-agent Authoritarian Speaker Selection
        • 🔟LangChain: Multi-Agent Simulated Environment with PettingZoo
    • Multimodal
      • 1️⃣PaliGemma: Open Vision LLM
      • 2️⃣FLUX.1: Generative Image
    • Building LLM
      • 1️⃣DSPy
      • 2️⃣DSPy RAG
      • 3️⃣DSPy with LangChain
      • 4️⃣Mamba
      • 5️⃣Mamba RAG with LangChain
      • 7️⃣PostgreSQL VectorDB with pgvorco.rs
Powered by GitBook
On this page
  • 책 소개
  • 목 차
  1. LLM MASTER BOOK

OpenAI API 쿡북 with Python

OpenAI API 쿡북 with Python

AI 전문가를 위한 Python으로 시작하는 LLM 구축 OpenAI API 실전 가이드

책 소개

『LLM Master: OpenAI API 쿡북 with Python』은 생성형 AI와 대규모 언어 모델(LLM)의 실전 활용법을 배우고자 하는 사람들을 위한 기술서다. 이 책은 단순히 기능을 나열하는 참고서가 아니라, AI를 직접 구현하고 이용하고자 하는 이들에게 구체적인 방법론과 도구를 제공하는 실습 중심의 안내서다.

이 책이 포함된 LLM Master 시리즈는 생성형 AI 시대를 살아가는 실무자와 개발자를 위해 기획되었다. ChatGPT를 비롯한 다양한 AI 도구들이 우리 일상과 업무에 빠르게 스며들고 있지만, 단순한 활용을 넘어 AI를 ‘내 일’과 ‘내 프로젝트’에 제대로 접목시키는 사람은 아직 많지 않다. LLM Master 시리즈는 이러한 격차를 줄이기 위해, 기초 이론부터 실무 프로젝트에 이르기까지 LLM을 완전히 내재화할 수 있는 커리큘럼을 제공한다. 특히 Python을 기반으로 한 코딩 중심 구성으로, 독자 스스로 AI 기능을 직접 구현하고 테스트하며 체화할 수 있도록 돕는다.

이번 첫 번째 책에서는 OpenAI의 GPT 모델과 그 API를 중심으로, LLM을 코드로 활용하는 전 과정을 다룬다. GPT의 작동 원리를 이해하고, OpenAI API를 통해 다양한 LLM 기능을 호출하며, 실제 서비스나 응용 프로그램에 어떻게 연결할 수 있을지를 단계별로 안내한다. 따라서 이 책은 단순한 AI 사용자가 아닌, AI를 업무에 통합하고 서비스로 구현하려는 실전형 독자를 위한 책이라 할 수 있다. 특히 이 책은 다음과 같은 사람들에게 큰 도움이 될 것이다.

먼저 AI 서비스 또는 기능을 직접 개발하고자 하는 개발자 및 실무자에게 이 책은 훌륭한 가이드가 된다. 예를 들어 자연어 처리 기능이 필요한 SaaS 제품을 만드는 스타트업 개발자나, 고객 상담 자동화를 위한 챗봇을 기획 중인 내부 개발팀이 OpenAI API를 이용해 빠르게 프로토타입을 만들 수 있도록 구체적인 코드와 실습 예제를 제공한다.

데이터 분석가와 리서처에게도 유용하다. 기존의 수치 기반 분석 외에도, 분석 결과를 자동으로 요약하거나, 보고서를 작성하거나, 고객 데이터를 기반으로 한 자연어 응답 생성이 필요할 때 OpenAI의 GPT는 강력한 도구가 된다. 이 책은 텍스트 생성뿐만 아니라, 구조화된 출력(Structured Output), 명령형 처리(Instruct 방식), 예측과 추론 기능 등 다양한 고급 활용 방식을 다루고 있어, 데이터 기반 업무를 더욱 풍부하게 만들어줄 것입니다.

서비스 기획자와 제품 매니저(PM)에게도 이 책은 하나의 전략서가 될 수 있다. 단순히 AI를 도입하는 수준을 넘어서, 어떤 기능을 어떻게 구성하고, 어떤 방식으로 고객 경험을 설계할 수 있을지를 고민하는 데 있어 OpenAI API는 강력한 무기가 된다. 이 책은 기술의 원리를 알지 못하더라도 프롬프트 설계와 구조화된 출력 등을 이해함으로써, 개발자와의 협업을 더욱 구체적이고 현실적으로 만들어줄 수 있다.

마지막으로, AI 교육자나 연구자, 그리고 AI를 활용한 콘텐츠 기획자에게도 유용하다. 최신 GPT-4o 모델의 멀티모달 기능부터, 텍스트-음성 변환(TTS), 음성-텍스트 변환(STT), OpenAI Agents의 역할 기반 에이전트 설계, 그리고 Flask를 활용한 챗봇 애플리케이션 개발까지 폭넓은 주제를 다루고 있어, 강의 콘텐츠나 프로젝트 예제로 활용하기에도 적합하다.

이 책은 “GPT를 쓸 줄 안다”에서 멈추지 않는다. 어떻게 GPT의 기능을 나만의 서비스에 통합하고, 어떻게 사용자 중심의 AI 기능을 만들어낼 수 있는지를 알려준다. 따라서, 단순한 기술 이해를 넘어 실무에 필요한 코딩 역량과 기획 감각, 그리고 구현 능력을 함께 기르고자 하는 이들에게 이 책은 매우 실질적인 자산이 될 것입니다.

OpenAI API는 그 자체로도 충분히 강력하지만, 그 잠재력을 최대한 끌어내기 위해서는 어떻게 설계하고, 어떻게 호출하고, 어떻게 통합할 것인가에 대한 명확한 로드맵이 필요하다. 이 책은 바로 그 로드맵을 제공한다. 이제 여러분의 아이디어에 AI를 더하고, 새로운 가능성을 현실로 만들었으면 합니다.

목 차

저자 소개

Table of Contents

들어가기 전에

1장. OpenAI API 설정하

2장. Chat.Completion 활용

3장. 프롬프트 엔지니어링

4장. Structured Output

5장. Instruct System

6장. GPT-4o 멀티모달

7장. Reasoning & Moderation

8장. TTS-STT

9장. OpenAI Agents

10장. 프로젝트 실습

References. 참고문헌

E-Book 구매

Github 코드

Previous데이터 마케팅 분석 with PythonNext기초부터 심화까지 RAG 쿡북 with Python

Last updated 5 days ago

https://github.com/no-wave/book-llm-master-openai-cookbook/