RAG 검색 성능을 극대화하는 4가지 쿼리 변환 전략

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

모호한 질문을 구체화하여 RAG 검색 정확도를 높이는 Multi-query, HyDE, Decomposition, Step-back 기법을 소개한다.

배경

RAG 시스템 구축 시 모호한 사용자 질문으로 인해 검색 정확도가 떨어지는 문제를 해결하기 위해, 쿼리 변환 및 확장 기법들을 정리하여 공유했다.

섹션별 상세

Multi-query 기법은 모호한 질문을 여러 개의 구체적인 질문으로 재작성하여 검색 범위를 넓힌다. 원문은 'how do I set up auth'라는 질문을 3개의 세부 질문으로 변환하여 관련 문서를 더 많이 검색하는 과정을 제시한다. 실제 실험에서 관련성 점수가 0.72에서 0.94로 향상되었다. 이 기법은 가장 구현이 쉽고 효과적인 기본 전략이다.

HyDE는 질문을 재작성하는 대신 LLM을 사용하여 가상의 답변을 생성하고 이를 임베딩하여 검색하는 기법이다. 가상의 답변이 실제 문서와 임베딩 공간에서 더 가깝다는 점을 활용한다. 문서 형식이 일관된 환경에서 특히 효과적이다.

Decomposition 기법은 복합적인 질문을 여러 개의 하위 질문으로 나누어 독립적으로 답변한 뒤 조합한다. Step-back 기법은 질문을 일반적인 원리 수준으로 확장하여 검색한다. 두 기법 모두 단순한 쿼리 변환보다 복잡한 추론이 필요한 상황에 적합하다.

실무 Takeaway

Multi-query 기법은 모호한 질문을 구체화하여 검색 정확도를 즉각적으로 개선할 수 있는 가장 효과적인 기본 전략이다.
HyDE는 질문 대신 가상의 답변을 생성하여 임베딩 검색을 수행하므로, 문서 형식이 일관된 환경에서 유용하다.
복합 질문에는 Decomposition을, 추론이 필요한 질문에는 Step-back 기법을 적용하여 검색 품질을 최적화할 수 있다.