YOLO Vision 2025를 놓치지 마세요!
2025년 9월 25일
10:00 — 18:00 BST
하이브리드 이벤트
Yolo Vision 2024
용어집

검색 증강 생성(RAG)

검색 증강 생성(RAG)이 정확하고 최신 응답을 위해 실시간의 신뢰할 수 있는 외부 데이터를 통합하여 AI 모델을 어떻게 향상시키는지 알아보세요.

검색 증강 생성(RAG)은 대규모 언어 모델(LLM)에서 생성된 응답의 품질, 정확성 및 관련성을 향상시키기 위해 설계된 고급 AI 프레임워크입니다. 생성 모델을 외부의 최신 지식 기반에 연결하여 작동합니다. 이를 통해 모델은 답변을 생성하기 전에 관련 정보를 "검색"하여 출력을 검증 가능한 사실에 효과적으로 고정하고 환각 또는 오래된 응답의 가능성을 줄입니다. RAG는 LLM이 학습하지 않은 특수 정보 또는 독점 정보에 액세스할 수 있도록 하여 지식 집약적인 작업에 대해 LLM의 신뢰성을 높입니다.

검색 증강 생성 작동 방식

RAG 과정은 검색과 생성이라는 두 가지 주요 단계로 나눌 수 있습니다. 이 이중 단계 접근 방식은 정보 검색 시스템과 생성 모델의 강점을 결합합니다.

  1. 검색: 사용자가 프롬프트를 제공하거나 질문을 하면 RAG 시스템은 먼저 프롬프트를 사용하여 관련 정보에 대한 지식 소스를 검색합니다. 이 소스는 일반적으로 문서, 기사 또는 기타 데이터의 임베딩을 포함하는 벡터 데이터베이스입니다. 검색기 구성 요소는 사용자 쿼리를 기반으로 가장 관련성이 높은 텍스트 또는 데이터 스니펫을 식별하고 가져옵니다. 선택 사항이지만 강력한 단계는 리랭커를 사용하여 검색된 결과를 개선하여 가장 문맥적으로 중요한 정보만 전달되도록 하는 것입니다.
  2. 증강 생성(Augmented Generation): 검색된 정보는 원래 사용자 프롬프트와 결합됩니다. 이렇게 새롭게 보강된 프롬프트는 생성형 AI 모델(LLM)에 입력됩니다. 모델은 이 추가된 컨텍스트를 사용하여 포괄적이고 정확하며 관련성 높은 응답을 생성합니다. LangChainLlamaIndex와 같은 프레임워크는 이러한 복잡한 RAG 파이프라인을 구축하고 관리하는 데 일반적으로 사용됩니다.

응용 분야 및 예시

RAG는 사실적 정확성과 동적 또는 특수 데이터에 대한 접근이 필요한 시나리오에서 특히 유용합니다.

  • 고급 질문-응답 시스템(Advanced Question-Answering Systems): 고객 지원 챗봇은 RAG를 사용하여 제품 설명서, 문제 해결 가이드 및 정책 문서의 회사 전체 지식 기반에 액세스할 수 있습니다. 고객이 "내 제품에 대한 보증 정책은 무엇입니까?"라고 질문하면 시스템은 최신 보증 문서를 검색하여 정확하고 최신 답변을 제공하며, 이는 일반적인 응답보다 훨씬 개선된 것입니다.
  • 콘텐츠 제작 및 연구: 금융 분석가는 RAG 기반 도구를 사용하여 시장 요약을 작성할 수 있습니다. 이 도구는 Bloomberg 또는 Reuters와 같은 신뢰할 수 있는 소스에서 최신 금융 보고서, 시장 뉴스 및 주식 실적 데이터를 검색할 수 있습니다. 그런 다음 LLM은 이 정보를 인용문과 함께 일관된 보고서로 종합하여 연구 프로세스 속도를 크게 높입니다.

RAG vs. 관련 개념

RAG를 LLM 성능을 향상시키는 데 사용되는 다른 방법과 구별하는 것이 유용합니다.

  • Fine-tuning: Fine-tuning은 더 작고 전문화된 데이터 세트에서 훈련을 계속하여 사전 훈련된 모델을 조정하여 모델의 내부 가중치를 수정합니다. RAG와 달리 추론 중에 외부 데이터를 참조하지 않습니다. Fine-tuning은 모델에 새로운 스타일이나 기술을 가르치는 데 이상적이며, RAG는 사실적 지식을 통합하는 데 더 적합합니다. 이러한 접근 방식은 상호 보완적일 수도 있습니다.
  • 프롬프트 엔지니어링(Prompt Engineering): 이는 LLM에서 원하는 출력을 얻기 위해 프롬프트를 신중하게 설계하는 수동 프로세스입니다. RAG는 사람이 모든 컨텍스트를 수동으로 제공하는 대신 검색된 데이터로 프롬프트를 프로그래밍 방식으로 추가("확장")하여 이 프로세스의 일부를 자동화합니다.
  • 프롬프트 강화(Prompt Enrichment): RAG와 유사하지만 프롬프트 강화는 더 광범위한 용어입니다. 여기에는 사용자 기록 또는 대화 흐름에서 컨텍스트를 추가하는 것이 포함될 수 있습니다. RAG는 모델 응답의 근거를 제공하기 위해 외부 지식 기반에서 사실 정보를 검색하는 데 중점을 둔 특정 유형의 강화입니다.

컴퓨터 비전에서의 RAG

RAG는 주로 자연어 처리(NLP)에 사용되지만, 핵심 개념은 컴퓨터 비전(CV) 작업에 대해 연구되고 있습니다. 예를 들어, 시스템은 이미지 생성 또는 분석을 안내하기 위해 관련 시각 정보를 검색할 수 있습니다. 여기에는 Ultralytics YOLO와 같은 객체 감지 모델의 성능을 향상시키기 위해 대규모 데이터 세트에서 유사한 이미지를 찾는 것이 포함될 수 있습니다. 이러한 복잡한 모델 및 데이터 세트 관리는 Ultralytics HUB와 같은 플랫폼으로 간소화되며, 이는 RAG를 사용하는 미래의 다중 모드 모델 애플리케이션의 기반 역할을 할 수 있습니다. RAG 및 컴퓨터 비전을 통해 AI를 향상시키는 방법에 대한 블로그에서 관련 구현을 살펴볼 수 있습니다.

Ultralytics 커뮤니티에 참여하세요

AI의 미래에 동참하세요. 글로벌 혁신가들과 연결하고, 협력하고, 성장하세요.

지금 참여하기
클립보드에 링크가 복사되었습니다.