책 소개
오래전에 풀었던 문제를 지금의 인공지능으로 다시 풀어 보면 무엇이 달라질까? 『LLM으로 다시 풀어 보는 오래된 문제들』은 인베이더, 문 랜딩, 테트리스, 오목, 바둑 등 익숙한 게임을 통해 인공지능의 원리와 프로그램을 연결하는 방법을 살펴보는 책이다. 규칙에 따라 움직이던 프로그램이 학습 환경이 되고, 게임 화면이 모델의 입력이 되며, 기보와 시장 데이터가 행동 정책을 학습하는 재료가 되는 과정을 따라간다. 출발점은 사람이 직접 설계하는 휴리스틱이다. 게임의 상태와 행동을 정의하고, 프로그램과 모델이 데이터를 주고받을 수 있도록 브리지를 구축한다. 이어 OpenAI Gym과 Gymnasium 환경, 문 랜딩과 테트리스 사례를 통해 관찰·행동·보상·정책의 관계를 살펴보며, 시행착오를 거쳐 행동을 개선하는 강화학습의 구조를 이해한다. 테트리스 화면을 읽는 시각언어모델(VLM), 자기대국과 모방 학습을 활용하는 오목 에이전트, SGF 기보로 학습하는 바둑 LLM은 익숙한 게임도 다양한 접근법으로 풀 수 있음을 보여 준다. 후반부에서는 LoRA 기반 가상 피팅, 한국투자증권 API와 LLM을 연결한 주식 응용 프로그램, 차트 이미지를 활용하는 암호화폐 자동매매로 주제를 넓힌다. 특히 암호화폐 사례에서는 교사 데이터로 학습하는 CNN 시각 정책망과 규칙에 따라 행동을 걸러 내는 VLM의 역할을 구분해 살펴본다. 게임에서 익힌 상태 표현과 데이터 설계는 현실의 이미지, API, 시계열 데이터를 다루는 과정으로 이어진다. 각 장은 프로젝트 구성과 데이터 흐름, 학습 및 실행 절차, 평가 관점을 함께 다룬다. 독자는 작은 프로그램을 조립하고 입력과 행동을 바꾸어 보면서 모델을 어디에 연결하고, 그 결과를 어떻게 검증할지 생각하게 된다. Python과 C++ 등 프로그래밍의 기초를 갖춘 독자라면 책에서 다루는 개념을 실제 시스템의 구조와 연결해 이해할 수 있다. 이 책은 환경, 모델, 데이터, 정책, 휴리스틱, API를 담은 작은 실험 도구 상자를 건넨다. 독자가 문제의 특성에 맞게 각 요소를 조합하고, 자신만의 인공지능 프로젝트로 확장하도록 돕는다. 도해와 실제 학습 기록을 함께 수록했으며, 총 10개 장, 138 페이지로 구성했다.
목차펼치기접기
목차 서문 3 01 인베이더 게임으로 배우는 휴리스틱과 AI 브리지 8 02 OpenAI Gym과 강화학습(Reinforcement Learning) 20 03 문랜딩 프로그램으로 이해하는 강화학습 34 04 테트리스를 배우는 강화학습 에이전트 만들기 46 05 VLM을 이용한 테트리스 학습 58 06 오목으로 이해하는 자기대국과 모방 학습 70 07 SGF 기보로 학습하는 바둑 LLM 인공지능 84 08 LoRA로 발전하는 가상 피팅 인공지능 100 09 한국투자증권 API와 LLM 주식 응용 프로그램 110 10 암호화폐 자동매매를 위한 CNN 시각 정책망과 VLM 126
출처: 국립중앙도서관 서지정보
리뷰 남기기
로그인하면 리뷰를 남길 수 있어요.
리뷰 0개
아직 리뷰가 없어요.