본 논문은 Retrieval-augmented generation (RAG) 시스템의 성능 향상을 위한 하이퍼파라미터 최적화 연구를 다룹니다. Chroma와 Faiss 벡터 저장소, 청킹 정책, 크로스 인코더 재랭킹, 온도 등 다양한 하이퍼파라미터의 영향을 속도와 정확성 측면에서 분석하고, 신뢰성, 정답 정확성, 정답 관련성, 문맥 정밀도, 문맥 재현율, 정답 유사성 등 6가지 지표를 통해 평가합니다. Chroma는 Faiss보다 처리 속도가 13% 빠르지만, Faiss는 더 높은 검색 정밀도를 보여 속도와 정확성 간의 트레이드오프를 보여줍니다. 단순 고정 길이 청킹이 의미론적 분할보다 빠르고 성능이 우수하며, 재랭킹은 검색 품질을 다소 향상시키지만 처리 시간을 5배 증가시키므로 지연 시간 제약에 따라 유용성이 달라집니다. 마지막으로, 수정된 RAG 워크플로우를 사용하여 최상의 설정을 재평가하여 매우 높은 검색 정확도(문맥 정밀도 99%)를 달성할 수 있음을 보여줍니다.
