정의

검색 증강 생성(RAG)은 검색 기반 방법과 생성 모델을 결합하여 정확도와 관련성을 개선하는 자연어 처리(NLP)의 하이브리드 접근 방식입니다. AI 생성 응답. RAG는 방대한 코퍼스에서 관련 문서나 정보를 검색하여 컨텍스트로 사용함으로써 생성 모델의 기능을 향상시켜 보다 정보에 입각하고 컨텍스트적으로 정확한 출력을 생성할 수 있도록 합니다.

RAG의 역사는 어떤가요?

RAG는 ​​특정 데이터 세트에 대한 광범위한 훈련 없이는 정확한 응답을 생성하는 데 종종 어려움을 겪는 순수 생성 모델의 한계에 대한 대응책으로 등장했습니다. 연구자들은 관련 정보를 찾는 데 뛰어난 검색 기반 기술과 일관되고 상황에 맞는 응답을 생성할 수 있는 생성 모델을 결합하는 잠재력을 인식했습니다. 이 하이브리드 접근 방식은 시간이 지남에 따라 검색 시스템과 딥 러닝 모델 모두의 발전을 활용하기 위해 개선되었습니다.

RAG라는 용어는 누가 만들었고, 어떻게 이런 이름을 얻었나요?

"검색 증강 생성"이라는 용어는 Facebook AI Research의 연구자들이 만들어낸 말입니다. (FAIR) 2020년에 발표되었습니다. 이 이름은 해당 방법의 핵심 메커니즘을 반영합니다. 즉, 관련 정보를 검색하여 AI 모델의 생성 프로세스를 증강하여 생성된 텍스트의 품질과 정확도를 개선하는 것입니다.

왜 다들 RAG에 대해 이야기하는 걸까요?

RAG는 ​​AI와 NLP의 핵심 과제를 해결하기 때문에 상당한 주목을 받았습니다. RAG는 검색 메커니즘을 생성 모델과 통합하여 다음과 같은 기능을 향상시킵니다. AI 정확하고, 맥락적으로 관련성이 있고, 유익한 응답을 제공하는 시스템입니다. 이는 고객 서비스, 지식 관리 및 정확한 정보 검색 및 생성이 중요한 모든 도메인과 같은 애플리케이션에 특히 유용합니다.

검색 증강 생성(RAG)은 어떻게 작동하나요?

RAG는 ​​검색기와 생성기라는 두 가지 주요 구성 요소를 결합하여 작동합니다. 검색기는 입력 쿼리를 기반으로 관련 정보를 찾기 위해 방대한 문서 코퍼스를 검색합니다. 그런 다음 검색된 문서는 생성기에 입력되고 생성기는 이 추가 컨텍스트를 사용하여 보다 정확하고 맥락적으로 관련성 있는 응답을 생성합니다. 이 이중 메커니즘을 통해 RAG는 검색 기반 및 생성적 접근 방식.

AI 모델은 RAG를 어떻게 활용하나요?

AI 모델은 RAG를 사용하여 먼저 검색기를 사용하여 대규모 데이터 세트에서 관련 정보를 식별하고 추출합니다. 그런 다음 이 정보를 생성 모델에 컨텍스트로 제공하고, 생성 모델은 이를 사용하여 보다 정확하고 상황에 맞는 응답을 생성합니다. 이 프로세스를 통해 AI는 일관될 뿐만 아니라 관련 사실 정보로 풍부해진 출력을 생성할 수 있습니다.

사람들이 RAG를 사용하는 실제 사례나 사용 사례는 무엇이 있나요?

RAG의 실제 사례는 다음과 같습니다.

• 고객센터: 고객 문의에 정확하고 상황에 맞는 답변을 제공할 수 있도록 채팅봇과 가상 비서를 강화합니다.
• 콘텐츠 제작: 관련 정보를 검색하고 일관된 이야기를 작성하여 작가와 기자를 지원합니다.
• 의료 진단: 관련 의학 문헌을 검색하고 정보에 입각한 진단 제안을 생성하여 의료 전문가를 지원합니다.
• 합법적 연구: 변호사가 관련 법률 문서와 판례를 검색하여 정보에 입각한 법률 의견을 얻을 수 있도록 돕습니다.

RAG를 기업에 적용하는 방법에는 어떤 것이 있나요?

RAG의 엔터프라이즈급 응용 프로그램은 다음과 같습니다.

• 지식 관리 시스템: 직원의 질의에 대해 정확하고 관련성 있는 정보를 생성하여 내부 지식 기반을 강화합니다.
• 비즈니스 인텔리전스: 관련 비즈니스 데이터를 검색하고 종합하여 의사 결정 프로세스를 지원합니다.
• 이커머스: 관련 제품 정보와 리뷰를 기반으로 응답을 생성하여 제품 추천과 고객 상호 작용을 개선합니다.
• 교육: 광범위한 학술 자료를 기반으로 교육 콘텐츠와 답변을 생성하여 교육자와 학생을 지원합니다.

RAG는 ​​다른 기술과 어떻게 비교됩니까?

RAG는 ​​검색 기반 방법과 생성 모델의 강점을 결합하여 정확성과 맥락적 관련성 측면에서 고유한 이점을 제공합니다. RAG를 다른 기술과 비교한 결과는 다음과 같습니다.

RAG vs 의미 검색

• RAG: 검색과 생성을 결합하여 상황에 맞는 풍부한 응답을 제공합니다.
• 의미 검색: 새로운 콘텐츠를 생성하지 않고 쿼리 의미론에 따라 관련 문서를 검색하는 데만 초점을 맞춥니다.

RAG 대 Fine-Tuning

• RAG: 관련 정보를 검색하여 생성 모델을 개선하고 광범위한 미세 조정의 필요성을 줄입니다.
• 미세 조정: 성능을 개선하기 위해 특정 데이터 세트에 대한 생성 모델을 훈련하는 작업으로, 시간이 많이 걸리고 데이터 집약적일 수 있습니다.

RAG 대 Prompt Engineering

• RAG: 검색된 정보를 활용하여 생성을 보강하고 정확도와 관련성을 개선합니다.
• 프롬프트 엔지니어링: 생성 모델을 안내하기 위해 특정 프롬프트를 제작하는 것으로, 항상 문맥상 정확한 응답을 보장하지 못할 수도 있습니다.