Share
Sign In
RAG와 Embedding Model과 VectorDB의 컴비네이션
네이버 웹툰, 양영순 <덴마>
자그마지 3개의 기술이 들어간 컴비네이션이라는 드립을 치고 싶어지는 조합입니다. 만약 여러분이 이 가이드를 빼먹지 않고 읽었다면 검색 증강 생성 RAG(Retrieval-Augmented Generation)에 대해 기억하실 겁니다. 그럼 자연스럽게 궁금해 질 수 있습니다. 아니 RAG도 기존의 정보를 참조하여 보다 풍부한 답변을 한다더니? 그럼 Embedding Model과 VectorDB의 역할은 무엇인가? 하고 말이죠. 안궁금하셨으면 죄송합니다. 근데 저는 궁금했어요.
Embedding 모델은 단어나 문장을 컴퓨터가 이해할 수 있는 숫자의 배열, 즉 벡터로 변환하는 역할을 합니다. 이는 컴퓨터에게 언어를 가르치는 것과 비슷하며, 컴퓨터는 이 벡터를 통해 문장이나 단어의 의미를 파악할 수 있게 됩니다.
VectorDB는 이렇게 변환된 벡터들을 저장하고 관리하는 데이터베이스입니다. 즉, 컴퓨터가 학습한 언어의 '단어장'과 같다고 할 수 있습니다. 여기에는 많은 단어와 문장이 벡터의 형태로 정리되어 있어서, 필요할 때 빠르게 찾아볼 수 있습니다.
RAG)는 질문에 답변을 할 때, 기존에 저장된 정보(예를 들어 VectorDB에 저장된 정보)를 찾아보고 이를 바탕으로 답변을 생성하는 방식의 인공지능 모델입니다. 마치 시험 문제를 풀기 위해 공부했던 내용을 떠올리는 학생과 비슷합니다. RAG는 기존의 정보를 참조하여 더 정확하고 유용한 답변을 만들어냅니다.
즉, VectorDB는 RAG 모델이 참고할 수 있는 정보의 저장소가 될 수 있습니다. 물론 다른 데이터 베이스도 마찬가지구요. RAG는 특정 질문에 대한 답변을 생성하기 위해 VectorDB에 저장된 벡터 정보를 검색하고, 그 정보를 활용하여 새로운 답변을 만들어냅니다. 이 과정에서 RAG는 VectorDB에 있는 정보를 '이해'하고, 그것을 기반으로 자신의 답변을 구성합니다.
이러한 방식으로 RAG는 기존의 지식을 활용하여 보다 풍부하고 정확한 정보를 제공합니다. 단, RAG가 주목받는 이유는 인공지능이 단순히 미리 정해진 대답을 하는 것이 아니라, 저장된 지식을 바탕으로 새로운 대답을 창조해낸다는 점에서 혁신적입니다.
ⓒ 2023. Haebom, all rights reserved.
출처 표시를 하고, 저작권자 허락 하에 영리적 목적으로 쓰일 수 있습니다.
사용된 이미지는 이해를 돕기 위해 사용된 것이며 이미지의 모든 권한은 출처에 명시된 원작자에게 있습니다.
