Daily Arxiv
New
전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 요약본 공유 시 출처만 명기하면 됩니다.
This service is supported by Google Gemini.
Advancing Retrieval-Augmented Generation for Structured Enterprise and Internal Data
작성자
카테고리
Empty
저자
Chandana Cheerla
개요
본 논문은 기업의 의사결정에 필수적인 HR 기록, 구조화된 보고서, 표 형태의 문서 등 기업 고유 데이터를 활용하는 고급 RAG(Retrieval-Augmented Generation) 프레임워크를 제안한다. 기존 RAG 프레임워크의 한계인 정적 사전 훈련, 짧은 컨텍스트 창, 이질적인 데이터 형식 처리 문제를 해결하기 위해, dense embeddings (all-mpnet-base-v2)와 BM25를 결합한 하이브리드 검색 전략, SpaCy NER을 이용한 메타데이터 기반 필터링, 크로스 인코더 재순위 지정 등을 적용하였다. 또한, 의미 단위 청크화, 표 데이터 구조 유지, 양자화 색인, 사용자 피드백 및 대화 기억 기능을 통해 성능을 향상시켰다. 기업 데이터셋 실험 결과, Precision@5는 15%, Recall@5는 13%, 평균 역순위는 16% 향상되었으며, 정확성, 완전성, 관련성 측면에서도 질적 향상을 보였다. 향후 다중 모달 데이터 확장 및 에이전트 기반 검색 통합을 계획하고 있으며, 소스 코드는 공개될 예정이다.
시사점, 한계점
•
시사점:
◦
기업 내부 데이터를 효과적으로 활용하는 고급 RAG 프레임워크 제시
◦
하이브리드 검색 전략, 메타데이터 필터링, 의미 단위 청크화 등을 통해 기존 RAG의 한계 극복
◦
정확성, 완전성, 관련성이 향상된 응답 제공
◦
양자화 색인을 통한 검색 효율 향상
◦
사용자 피드백 및 대화 기억 기능을 통한 적응력 향상
◦
실험 결과를 통해 성능 향상을 정량적으로 증명
•
한계점:
◦
현재는 기업 내부 데이터에 국한된 연구. 다양한 데이터 유형 및 규모에 대한 일반화 필요
◦
다중 모달 데이터 및 에이전트 기반 검색은 미래 연구 과제로 남아있음
◦
실험 데이터셋 및 평가 지표의 구체적인 정보 부족
◦
특정 기업 데이터셋에 최적화되어 다른 환경에서의 일반성이 제한적일 수 있음
