본 논문은 지식 집약적인 분야에서 정확하고 문맥에 맞는 응답을 제공할 수 있는 잠재력을 보여주는 RAG(Retrieval Augmented Generation)와 LLMs(Large Language Models)의 통합에 대한 연구입니다. 특히 ABB 회로 차단기에 RAG를 적용하여 고위험 엔지니어링 환경에서의 정확성, 신뢰성 및 문맥 관련성에 중점을 두고 있습니다. 엔지니어링 문서 고유의 데이터 검색 및 문맥 정렬 문제를 해결하기 위해 맞춤형 데이터 세트, 고급 임베딩 모델 및 최적화된 청크화 전략을 활용합니다. 주요 기여는 ABB 회로 차단기에 대한 도메인별 데이터 세트 개발과 OpenAI GPT4o, Cohere, Anthropic Claude 세 가지 RAG 파이프라인의 평가입니다. 단락 기반 및 제목 인식 분할과 같은 고급 청크화 방법의 검색 정확도 및 응답 생성에 대한 영향을 평가합니다. 결과는 특정 구성에서 높은 정밀도와 관련성을 달성하지만 엔지니어링 맥락에서 중요한 사실적 충실성과 완전성을 보장하는 데는 한계가 있음을 보여줍니다. 이 연구는 설계, 문제 해결 및 운영 의사 결정을 포함한 전기 공학 작업의 엄격한 요구 사항을 충족하기 위해 RAG 시스템을 반복적으로 개선해야 할 필요성을 강조합니다. 이 논문의 결과는 전기 공학과 같은 고도로 기술적인 분야에서 AI 연구를 발전시키는 데 도움이 됩니다.
