- 주문상품수량
- 개
- 예상적립금
P - 상품할인금
- 원
- 배송료
- 원
- 주문합계
- 원
네비게이션 실시간 인기 책
베스트
LLMOps 완벽 가이드 생성형 AI 도입을 위한 운영 전략, 조직 구조, 도구 활용까지
- 아비 아리안 저
- 박조은, 박주환 역
- 한빛미디어
- 2026년 05월 26일
-
정가32,000원
-
판매가28,800원 [10% 할인]
-
결제 혜택무이자
카드할인/포인트결제 안내
제휴카드
반디앤루니스 롯데카드 결제금액 최대 25% 청구할인 (1만원 이상 결제건에 한해 월 2회, 건당 최대 1만원 할인) 반디앤루니스 우리V카드 결제금액 10% 청구할인 포인트결제
OK캐쉬백 포인트 최소 10원부터 전액 사용 or 1% 적립 현대카드 M포인트 결제금액의 최대 10% 사용 가능 신한카드 포인트 결제금액의 최대 10% 사용 가능(일부카드) 하나(구.외환) 포인트 보유 한도 내에서 100% 사용 가능 씨티카드 포인트 결제금액의 최대 50% 사용 가능 할인카드
NH농협 TAKE5카드 20% 청구할인(Edu Pack) 채움 플래티늄 멀티카드 20% 청구할인 모바일 Tmoney 신한카드 10% 청구할인 신한카드 Shopping 10% 청구할인 NH농협 체크카드 10% 청구할인 NH20 해봄 신용카드 10% 청구할인 씨티 클리어 카드 7% 청구할인 NH20 해봄 체크카드 5% 청구할인 NH농협 LADY다솜카드 5% 청구할인 신한카드 큐브 5% 청구할인 신한카드 큐브 PLATINUM# 5% 청구할인 
무이자 안내
-
적립금1,600원 적립 [5%P]
추가 적립금 안내
[2천원 추가 적립]
총 주문금액 5만원 이상 구매 시 2,000원 추가 적립
도서(eBook포함)만 구매 시 적립 대상에서 제외업채배송상품 포함(기프트, 업체배송 등) 5만원[멤버십 추가 적립]
슈퍼루니 : 3% 추가 적립
골드루니 : 2% 추가 적립
실버루니 : 1% 추가 적립
단, 국내도서, eBook만 구매 시 적립 불가
-
배송료무료배송
-
출고예정일
출고예정일 안내
※ 출고예정일은 도서 재고상황에 따라 변동될 수 있습니다.
2026년 08월 14일(금)※ 출고예정일은 도서 재고상황에 따라 변동될 수 있습니다.
당일배송 가능지역 검색
“도로명주소”를 쉽게 찾아보세요
1. 도로명으로 검색하기 (예, “직지길” or “직지길+322”)
2. 건물명으로 검색하기 (예, “반디앤루니스빌딩”)
3. 동(읍/면/리) 으로 검색 (예, “인사동” or “인사동+43”)
4. 도로명주소를 모르실 경우 도로명주소 안내시스템(http://www.juso.go.kr)에서 확인해주세요.
시/도
시/군/구
회원리뷰
ISBN: 9791175790575
332쪽
631g
183 x 235 (㎜)
지금 이책은
- 판매지수 : 0
이 분야의 베스트셀러
-
처음 만나는 인공지능 [개정판]
김대수
26,000원
-
비전공자를 위한 이해할 수 있는 IT 지식
최원영
15,120원
-
컴퓨팅 사고 Level Up 소프트 파워 with 스크래치
김호다, 이지민, 정영철 외
20,700원
책 소개
이 책은
성공적인 생성형 AI 도입의 마지막 관문
신뢰할 수 있는 LLM 시스템 설계와 운영 전략
오픈 소스 모델이나 상용 API로 대규모 언어 모델(LLM)에 접근하는 것은 쉬워졌지만, 이를 실제 운영 환경에 올리는 순간 추론 비용, 지연 시간, 환각 현상, 보안 위협 등 전혀 다른 차원의 문제에 직면하게 된다. 이 책은 기존 MLOps의 한계를 넘어 생성형 AI의 고유한 특성을 통제하기 위해 등장한 LLMOps 프레임워크를 포괄적으로 다룬다. 데이터 엔지니어링부터 배포, 평가, 거버넌스까지 전체 수명 주기를 하나의 흐름으로 연결해 LLM 기반 애플리케이션이 신뢰성, 확장성, 견고성, 보안이라는 네 가지 핵심 목표를 달성하도록 돕는다.
출판사 리뷰
모델 호출은 누구나 하지만 운영은 아무나 못하는 이유
AI 서비스를 비즈니스 자산으로 바꾸는 단 하나의 전략
이제 LLM을 활용한 비즈니스는 ‘무엇을 만들 것인가’를 넘어 ‘어떻게 안정적으로 가치를 창출할 것인가’라는 증명의 단계로 진입했습니다. 프로토타입 단계의 환희는 짧고 실제 서비스화 과정에서 마주하는 비용과 품질의 벽은 높기만 합니다. 이 책은 단순한 기술 나열을 넘어, 불확실성이 가득한 LLM을 비즈니스의 통제권 안으로 가져오는 운영의 기술을 전수합니다. 특히 사이트 신뢰성 엔지니어링(SRE)의 정수인 SLO-SLA-KPI 프레임워크를 LLM에 도입해 막연한 성능 지표를 구체적인 성과로 전환하는 명확한 해법을 제시합니다.
이 책은 기술적인 해결 방법 소개에 그치지 않고, LLMOps 엔지니어라는 새로운 역할 정의부터 조직의 AI 성숙도를 단계별로 높이는 로드맵까지 상세히 담았습니다. 앤트로픽의 MCP 프로토콜이나 에이전틱 워크플로 같은 최신 흐름을 운영자의 시각에서 재해석하여, 급변하는 기술에 휘둘리지 않고 조직의 핵심 인프라를 설계하는 전략가로 거듭나도록 돕습니다. 대규모 언어 모델을 단순한 도구가 아닌 신뢰할 수 있는 시스템으로 안착시키고 싶다면, 지금 이 책이 제안하는 운영 방식에 주목해야 할 차례입니다.
주요 내용
● LLM 운영을 위한 새로운 역할과 프로세스 파악하기
● 기존 지표의 한계를 넘는 LLM 성능 모니터링 방법
● 생성형 AI 맞춤형 평가, 거버넌스, 보안 감사 체계 구축하기
● 에이전트, RAG, 프롬프트의 복잡한 운영 문제 해결법
● 비용 낭비를 막는 효율적인 인프라 확장 전략
대상 독자
● 조직의 AI 성숙도를 높여 비즈니스 가치를 증명하고 싶은 리더 또는 관리자
● 프로토타입을 넘어 견고한 실전 운영 인프라를 구축하려는 AI/ML 엔지니어
● 생성형 모델의 특성에 맞춰 전문성을 확장하려는 데이터 엔지니어와 데브옵스 엔지니어
● 전사적 AI 도입 전략과 효율적인 운영 체계를 고민하는 기획자나 경영진
저자 소개
Abide AI의 설립자이자 머신러닝 연구 엔지니어로, 10년 가까이 프로덕션 수준의 머신러닝 시스템을 구축해 왔습니다. 수학을 전공했으며 과거 UCLA 인지 시스템 연구실(CSL)에서 주데아 펄(Judea Pearl) 교수의 지도 아래 방문 연구원으로 활동하며 지능형 에이전트 개발에 집중했습니다.
AutoML, 다중 에이전트 시스템, 대규모 언어 모델 분야에서 다수의 연구 논문을 저술했으며, 신경 정보 처리 시스템 학회(NeurIPS), 계산 언어 학회(ACL), 자연어 처리 실증 방법 학회(EMNLP), 근사 베이지안 추론 학회(AABI) 등 주요 학술 대회와 워크숍에서 리뷰어로 활발히 활동합니다. 현재는 AI 에이전트의 반성적 지능(reflective intelligence), 다중 에이전트 시스템의 분산형 자기 복구 프로토콜, 초대규모 AI 시스템의 GPU 엔지니어링 연구를 진행하고 있습니다.
역자 소개
역자 : 박조은
‘오늘코드’ 유튜브 채널을 운영하며, 파이썬 분야의 마이크로소프트 MVP로 활동하고 있습니다. 웹과 백엔드 개발자로 게임과 광고 회사에서 주로 근무했으며, 다양한 도메인의 기업에서 프로젝트를 진행했습니다. 또한 다수의 대학교와 교육기관, 기업에서 강의를 맡아왔습니다. 『모두의 한국어 텍스트 분석 with 파이썬』(길벗, 2023)의 공저자이며 『NLP와 LLM 실전 가이드』(한빛미디어, 2025)를 우리말로 옮겼습니다.
역자 : 박주환
전기전자공학을 전공했으며, 학부 졸업 프로젝트를 계기로 인공지능 분야에 관심을 두기 시작했습니다. 처음에는 모델 활용에 집중했으나, 산업계와 연계된 경험을 쌓으며 모델 학습 원리와 실제 환경에서의 동작 방식에 흥미를 느끼게 되었습니다. 이후 대규모 언어 모델을 중심으로 인공지능 시스템의 활용과 운영 전반에 걸친 지식을 지속해서 학습해 왔으며, 이 책의 번역 작업도 그러한 관심에서 시작했습니다.
목차
CHAPTER 1 대규모 언어 모델 소개
_1.1 주요 용어
_1.2 트랜스포머 모델
_1.3 대규모 언어 모델
_1.4 LLM 구조
_1.5 LLM 선택
_1.6 기업의 LLM 활용 사례
_1.7 LLM을 활용한 구축의 도전 과제
_1.8 결론
참고 문헌
CHAPTER 2 LLMOps 소개
_2.1 운영 프레임워크의 개념
_2.2 LLMOps 팀과 역할
_2.3 LLM과 조직
_2.4 LLMOps의 네 가지 목표
_2.5 LLMOps 성숙도 모델
_2.6 결론
참고 문헌
읽을거리
CHAPTER 3 LLM 기반 애플리케이션
_3.1 애플리케이션에서 AI 모델 사용하기
_3.2 인프라 애플리케이션
_3.3 VLM과 멀티모달 LLM의 부상
_3.4 LLMOps 질문
_3.5 LLM 기반 애플리케이션에서 무엇을 제어할 수 있는가?
_3.6 LLM 기반 인프라 시스템의 도전 과제
_3.7 결론
참고 문헌
CHAPTER 4 LLM 데이터 엔지니어링
_4.1 데이터 엔지니어링과 LLM의 부상
_4.2 데이터옵스 엔지니어 역할
_4.3 데이터 관리
_4.4 일반적 LLM 데이터 전처리 파이프라인
_4.5 벡터화
_4.6 결론
참고 문헌
읽을거리
CHAPTER 5 LLM 기반 애플리케이션의 모델 도메인 적응
_5.1 LLM 기초 훈련
_5.2 모델 앙상블 접근 방식
_5.3 모델 도메인 적응
_5.4 프롬프트 엔지니어링
_5.5 파인 튜닝
_5.6 전문가 혼합 모델
_5.7 자원 제약 장치용 모델 최적화
_5.8 효과적인 LLM 개발 전략
_5.9 결론
참고 문헌
CHAPTER 6 API 우선 LLM 배포
_6.1 모델 배포하기
_6.2 LLM용 API 개발하기
_6.3 API 구현하기
_6.4 자격 증명 관리
_6.5 API 게이트웨이
_6.6 API 버전 관리 및 수명 주기 관리
_6.7 LLM 배포 아키텍처
_6.8 검색 재정렬기 파이프라인을 활용한 RAG 자동화
_6.9 지식 그래프 자동 업데이트
_6.10 배포 지연 시간 최적화
_6.11 다중 모델 오케스트레이션
_6.12 RAG 파이프라인 최적화
_6.13 확장성과 재사용성
_6.14 결론
CHAPTER 7 LLM 평가
_7.1 평가가 어려운 이유
_7.2 성능 평가
_7.3 일반적인 평가 고려 사항
_7.4 전통적인 평가 지표의 한계
_7.5 결론
참고 문헌
CHAPTER 8 거버넌스: 모니터링, 개인정보 보호, 보안
_8.1 데이터 문제: 규모와 민감성
_8.2 보안 위험
_8.3 방어 조치: LLMSecOps
_8.4 LLMSecOps 감사 수행
_8.5 안전 및 윤리적 가드레일
_8.6 결론
참고 문헌
CHAPTER 9 스케일링: 하드웨어, 인프라, 자원 관리
_9.1 올바른 접근 방식 선택하기
_9.2 스케일링과 자원 할당
_9.3 모니터링
_9.4 LLM을 위한 A/B 테스트와 섀도 테스트
_9.5 자동 인프라 프로비저닝과 관리
_9.6 LLM 인프라 최적화
_9.7 LLM을 위한 병렬 및 분산 컴퓨팅
_9.8 고급 프레임워크 ZeRO와 DeepSpeed
_9.9 결론
참고 문헌
CHAPTER 10 LLM과 LLMOps의 미래
_10.1 현재의 한계를 넘어서는 확장
_10.2 하이브리드 아키텍처: 신경망과 심볼릭 AI의 결합
_10.3 LLMOps의 미래
_10.4 LLMOps 엔지니어로 성공하는 방법
_10.5 결론
참고 문헌
읽을거리
_1.1 주요 용어
_1.2 트랜스포머 모델
_1.3 대규모 언어 모델
_1.4 LLM 구조
_1.5 LLM 선택
_1.6 기업의 LLM 활용 사례
_1.7 LLM을 활용한 구축의 도전 과제
_1.8 결론
참고 문헌
CHAPTER 2 LLMOps 소개
_2.1 운영 프레임워크의 개념
_2.2 LLMOps 팀과 역할
_2.3 LLM과 조직
_2.4 LLMOps의 네 가지 목표
_2.5 LLMOps 성숙도 모델
_2.6 결론
참고 문헌
읽을거리
CHAPTER 3 LLM 기반 애플리케이션
_3.1 애플리케이션에서 AI 모델 사용하기
_3.2 인프라 애플리케이션
_3.3 VLM과 멀티모달 LLM의 부상
_3.4 LLMOps 질문
_3.5 LLM 기반 애플리케이션에서 무엇을 제어할 수 있는가?
_3.6 LLM 기반 인프라 시스템의 도전 과제
_3.7 결론
참고 문헌
CHAPTER 4 LLM 데이터 엔지니어링
_4.1 데이터 엔지니어링과 LLM의 부상
_4.2 데이터옵스 엔지니어 역할
_4.3 데이터 관리
_4.4 일반적 LLM 데이터 전처리 파이프라인
_4.5 벡터화
_4.6 결론
참고 문헌
읽을거리
CHAPTER 5 LLM 기반 애플리케이션의 모델 도메인 적응
_5.1 LLM 기초 훈련
_5.2 모델 앙상블 접근 방식
_5.3 모델 도메인 적응
_5.4 프롬프트 엔지니어링
_5.5 파인 튜닝
_5.6 전문가 혼합 모델
_5.7 자원 제약 장치용 모델 최적화
_5.8 효과적인 LLM 개발 전략
_5.9 결론
참고 문헌
CHAPTER 6 API 우선 LLM 배포
_6.1 모델 배포하기
_6.2 LLM용 API 개발하기
_6.3 API 구현하기
_6.4 자격 증명 관리
_6.5 API 게이트웨이
_6.6 API 버전 관리 및 수명 주기 관리
_6.7 LLM 배포 아키텍처
_6.8 검색 재정렬기 파이프라인을 활용한 RAG 자동화
_6.9 지식 그래프 자동 업데이트
_6.10 배포 지연 시간 최적화
_6.11 다중 모델 오케스트레이션
_6.12 RAG 파이프라인 최적화
_6.13 확장성과 재사용성
_6.14 결론
CHAPTER 7 LLM 평가
_7.1 평가가 어려운 이유
_7.2 성능 평가
_7.3 일반적인 평가 고려 사항
_7.4 전통적인 평가 지표의 한계
_7.5 결론
참고 문헌
CHAPTER 8 거버넌스: 모니터링, 개인정보 보호, 보안
_8.1 데이터 문제: 규모와 민감성
_8.2 보안 위험
_8.3 방어 조치: LLMSecOps
_8.4 LLMSecOps 감사 수행
_8.5 안전 및 윤리적 가드레일
_8.6 결론
참고 문헌
CHAPTER 9 스케일링: 하드웨어, 인프라, 자원 관리
_9.1 올바른 접근 방식 선택하기
_9.2 스케일링과 자원 할당
_9.3 모니터링
_9.4 LLM을 위한 A/B 테스트와 섀도 테스트
_9.5 자동 인프라 프로비저닝과 관리
_9.6 LLM 인프라 최적화
_9.7 LLM을 위한 병렬 및 분산 컴퓨팅
_9.8 고급 프레임워크 ZeRO와 DeepSpeed
_9.9 결론
참고 문헌
CHAPTER 10 LLM과 LLMOps의 미래
_10.1 현재의 한계를 넘어서는 확장
_10.2 하이브리드 아키텍처: 신경망과 심볼릭 AI의 결합
_10.3 LLMOps의 미래
_10.4 LLMOps 엔지니어로 성공하는 방법
_10.5 결론
참고 문헌
읽을거리
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)
