Vespa 뉴스레터 2026년 2월호: 검색 품질 및 개발자 생산성 향상을 위한 주요 업데이트

섹션별 상세

Vespa Playground와 Kubernetes Operator를 공개하여 개발자 접근성과 운영 유연성을 확대했다. Playground는 GitHub 기반의 데모 및 도구 저장소로 실전 예제를 제공하며, Kubernetes Operator는 Vespa Cloud의 자동화 기능을 자체 인프라에서도 사용할 수 있게 지원한다.

쿼리 결과 렌더링 속도를 개선하기 위해 JSON 생성 최적화와 CBOR(Concise Binary Object Representation) 형식을 도입했다. Vespa 8.623.5 버전부터 JSON 응답 속도가 2배 이상 빨라졌으며, 수치 데이터가 많은 대규모 결과셋의 경우 이진 형식인 CBOR을 통해 직렬화 속도와 페이로드 크기를 최적화할 수 있다.

Pyvespa 1.0 출시를 통해 HTTP 성능을 획기적으로 개선하고 CBOR 지원을 통합했다. 내부 HTTP 클라이언트를 httpr로 교체하여 텐서 데이터의 직렬화 성능을 높였으며, 벤치마크 결과 대용량 벡터 반환 시 기존 대비 약 4.9배 빠른 응답 속도를 기록했다.

하이브리드 검색의 검색 품질 평가를 위한 VespaMTEBApp 도구를 Pyvespa에 통합했다. 이를 통해 MTEB 라이브러리와 호환되는 모든 벤치마크에서 임베딩 모델의 성능을 체계적으로 평가하고, 비용 대비 품질이 가장 우수한 모델을 선택할 수 있는 환경을 제공한다.

랭킹 표현식에 'switch' 연산자를 도입하고 필드별 언어 처리(Linguistics) 설정을 유연화했다. 중첩된 if 문 대신 switch 문을 사용하여 복잡한 랭킹 로직의 가독성을 높였으며, Lucene 분석기를 필드 단위로 다르게 적용하거나 쿼리 시점에만 특정 프로필을 사용하는 것이 가능해졌다.

xml

<component id="lucene" class="com.yahoo.language.lucene.LuceneLinguistics">
  <config name="com.yahoo.language.lucene.lucene-analysis">
    <configGroup>
      <profile>
        <name>whitespaceLowercase</name>
        <analyzer>
          <tokenizerClass>lucene.WhitespaceTokenizerFactory</tokenizerClass>
          <filterClass>lucene.LowerCaseFilterFactory</filterClass>
        </analyzer>
      </profile>
    </configGroup>
  </config>
</component>

services.xml에서 Lucene 분석기를 사용하여 사용자 정의 언어 처리 프로필을 정의하는 예시

text

field title type string {
  indexing: summary | index
  linguistics {
    profile: whitespaceLowercase
  }
}

스키마 정의에서 특정 필드에 정의된 언어 처리 프로필을 적용하는 방법

text

switch (attribute(category)) {
  case "restaurant": myRestaurantFunction(),
  case "hotel": myHotelFunction(),
  default: myDefaultFunction()
}

중첩된 if 문 대신 가독성이 높은 switch 연산자를 사용한 랭킹 표현식 예시

이미지 분석

용어 해설

간결한 이진 객체 표현(CBOR): — JSON과 호환되면서도 더 작고 빠른 이진 데이터 직렬화 형식이다. 수치 데이터가 많은 텐서 검색 결과 전송 시 CPU 부하를 줄이고 네트워크 대역폭을 최적화하여 전체 시스템 지연 시간을 단축한다.
쿠버네티스 오퍼레이터(Kubernetes Operator): — 쿠버네티스 애플리케이션의 설치, 설정 및 관리를 자동화하는 소프트웨어 확장 기능이다. Vespa의 복잡한 클러스터 관리, 자동 확장, 업그레이드 등을 코드 기반으로 자동화하여 운영 효율성을 높인다.
하이브리드 검색(Hybrid Search): — 키워드 기반의 텍스트 검색(Lexical)과 벡터 기반의 의미 검색(Embedding)을 결합한 방식이다. 두 방식의 장점을 취해 단순 키워드 매칭의 한계와 벡터 검색의 모호성을 동시에 보완하여 검색 정확도를 높인다.
대규모 텍스트 임베딩 벤치마크(MTEB): — 다양한 텍스트 임베딩 모델의 성능을 비교 평가하기 위한 표준 프레임워크다. 검색, 분류, 군집화 등 여러 작업에서 모델의 품질을 수치화하여 특정 유즈케이스에 가장 적합한 모델을 선정하는 기준이 된다.
희소 벡터(Sparse Vector): — 대부분의 요소가 0인 벡터로, 특정 키워드나 특징의 존재 여부를 효율적으로 표현한다. 밀집 벡터에 비해 저장 공간이 적게 들며, 키워드 매칭 기반의 랭킹 시스템에서 핵심적인 역할을 수행한다.

기술

Vespa
Pyvespa
CBOR
Kubernetes
Lucene
GCP Marketplace

활용 사례

대규모 벡터 검색 시스템
실시간 개인화 추천 엔진
엔터프라이즈 AI 검색
RAG 기반 챗봇 인프라

언급된 리소스

GitHubVespa Playground

문서Vespa Kubernetes Operator Documentation

문서Query Performance Guide