챕터별 상세
00:28
전통적인 키워드 검색의 한계
초기 검색 시스템은 문서 내 특정 단어의 존재 여부를 확인하는 인버티드 인덱스 방식을 사용했다. TF-IDF나 BM25 알고리즘을 통해 단어의 빈도와 중요도를 계산하여 문서의 순위를 매겼다. 하지만 이 방식은 단어를 의미가 아닌 단순 기호로 취급하기 때문에 동의어나 문맥상의 모호함을 해결하지 못하는 근본적인 한계가 있었다. 사용자가 정확한 키워드를 입력하지 않으면 관련성 높은 정보를 찾기 어려웠다.
인버티드 인덱스는 책 뒷면의 색인처럼 특정 단어가 어느 페이지(문서)에 있는지 기록한 데이터 구조이다.
01:38
시맨틱 검색과 벡터 임베딩의 도입
시맨틱 검색은 텍스트를 고차원 숫자인 벡터로 변환하여 언어의 의미를 파악한다. 대규모 신경망을 통해 학습된 임베딩 모델은 문맥상 유사한 개념들을 벡터 공간에서 가깝게 배치한다. 예를 들어 '커피'와 '에스프레소'는 서로 다른 단어임에도 벡터 공간에서는 인접한 위치에 존재하게 된다. 이를 통해 시스템은 사용자가 입력한 정확한 키워드가 문서에 없더라도 의도에 부합하는 결과를 반환할 수 있게 되었다.
벡터 임베딩은 텍스트의 의미적 특징을 수백 개의 차원을 가진 좌표값으로 수치화하는 기술이다.
03:17
LLM의 등장과 지식의 한계
대규모 언어 모델(LLM)은 방대한 텍스트 데이터를 학습하여 다음 토큰을 예측하는 방식으로 답변을 생성한다. LLM은 비즈니스 세계에 혁신을 가져왔으나 학습 데이터가 특정 시점에 고정되어 최신 정보를 알지 못하는 문제가 발생했다. 또한 모델 내부에 저장된 지식에만 의존하기 때문에 사용자의 개별 문서나 전문적인 도메인 지식에 접근할 수 없었다. 이러한 정보의 격차는 모델이 잘못된 정보를 생성하는 할루시네이션 현상으로 이어졌다.
할루시네이션은 모델이 사실이 아닌 내용을 마치 사실인 것처럼 자신 있게 답변하는 현상을 의미한다.
04:30
RAG: 검색 증강 생성의 탄생
RAG는 LLM에 외부 지식 베이스를 연결하여 답변의 정확도를 높이는 기법이다. 사용자의 질문이 들어오면 시스템은 먼저 벡터 데이터베이스에서 관련 문서를 검색하여 컨텍스트로 추출한다. 추출된 정보를 LLM의 프롬프트에 주입하여 모델이 해당 근거를 바탕으로 답변을 생성하도록 유도한다. 이 방식은 모델을 재학습시키지 않고도 최신 정보와 전문 지식을 활용할 수 있게 하며 답변의 출처를 명시할 수 있는 장점이 있다.
RAG는 모델의 내부 지식 대신 외부 도서관에서 책을 찾아보고 답하는 오픈 북 시험 방식과 유사하다.
06:40
에이전틱 RAG로의 진화
에이전틱 RAG는 고정된 검색 파이프라인을 넘어 LLM이 자율적인 의사결정자로 동작하는 시스템이다. 에이전트는 질문을 분석하여 검색이 필요한지, 어떤 도구를 사용할지, 충분한 정보가 수집되었는지를 스스로 판단한다. 다단계 연구와 문서 간 교차 합성, 쿼리 재작성 등을 통해 복잡한 문제를 해결한다. 검색은 더 이상 독립된 단계가 아니라 에이전트가 추론 과정 중에 필요에 따라 호출하는 유연한 도구로 기능한다.
에이전틱 AI는 목표를 달성하기 위해 스스로 계획을 세우고 실행하며 결과를 수정하는 자율성을 가진 시스템이다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 05. 05.수집 2026. 05. 05.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
