RAG란 무엇인가｜일반 AI 답변과 달라지는 이유
RAG란 무엇인가｜일반 AI 답변과 달라지는 이유 AWS 공식 RAG 설명 확인 목차 RAG의 뜻과 필요한 이유 검색·증강·생성 작동 단계 일반 AI 답변과 비교 업무 문서 질문 예시 RAG와 파인튜닝의 차이 정확도 한계와 오류 점검 자주 묻는 질문 RAG의 뜻과 필요한 이유 언어 모델은 학습할 때 본 데이터와 질문에 제공된 내용을 바탕으로 답을 만들어요. 하지만 학습 이후 생긴 정보, 회사 내부 규정, 특정 제품의 최신 설명처럼 모델이 미리 알기 어려운 자료가 있습니다. RAG는 이런 외부 지식을 질문 시점에 찾아 문맥으로 넣어 모델이 참고할 수 있게 해요. 외부 문서를 다시 학습시키지 않고도 새 자료를 지식 기반에 추가할 수 있어 최신 문서나 전문 분야 자료를 반영하기 쉬운 편입니다. 답변과 함께 검색된 문서의 출처를 연결하면 어떤 근거를 사용했는지 추적하는 데도 도움이 돼요. 다만 자료를 연결했다는 사실만으로 답이 항상 맞는 것은 아닙니다. RAG는 질문과 의미가 가까운 외부 자료를 먼저 검색해 답변에 사용할 후보 문맥을 찾습니다. 검색·증강·생성 작동 단계 RAG를 준비할 때는 문서를 정리하고 작은 단위로 나눈 뒤 임베딩이라는 숫자 표현으로 변환해 검색 가능한 저장소에 넣어요. 이 문서 분할을 청킹이라고 하며, 제목·작성일·권한 같은 메타데이터도 함께 관리할 수 있습니다. 문서가 바뀌면 색인도 최신 상태로 갱신해야 해요. RAG의 기본 절차 1. 문서를 수집하고 중복·오류를 정리해요. 2. 검색하기 좋은 크기로 문서를 나누고 색인해요. 3. 사용자가 자연어로 질문을 입력해요. 4. 검색기가 질문과 관련된 문서 조각을 찾아요. 5. 검색 문맥을 질문과 함께 모델 입력에 추가해요. 6. 모델이 제공된 문맥을 참고해 답변을 생성해요. 7. 답변과 근거 문서를 사용자가 검수해요. 여기서 Retrieval은 관련 자료를 찾는 검색, Augmented는 찾은 자료를 질...