키워드 검색부터 임베딩, 믿고 운영할 수 있는 메모리 시스템까지
실전에 버티는 의미 검색을 만들어봐. 청킹과 ChromaDB, pgvector, 하이브리드 검색, RAG, 운영, AI 메모리까지 한 바퀴 돌아.
8 tracks · 41 lessons · ~32h · difficulty: beginner-to-advanced
의미는 키워드가 아니라 좌표야
텍스트가 벡터로 바뀌면 의미는 좌표가 돼. 그 좌표 사이의 각도와 거리를 재면 비슷한 뜻을 찾을 수 있지. 이 트랙을 끝내면 NumPy 로 의미 검색을 직접 짜고, 왜 그 거리 척도를 골랐는지도 설명할 수 있어.
어떻게 자르냐가 뭘 찾을 수 있는지를 결정해
청킹은 RAG 품질을 좌우하면서도 자주 과소평가되는 요소야. 청크 크기나 분할 방식을 잘못 고르면 아무리 좋은 임베딩 모델도 소용없어. 이 트랙에서는 토큰과 문서 구조를 고려해 나누는 법부터, 청크의 출처를 추적할 메타데이터까지 다뤄.
cwkPippa가 실제로 쓰는 벡터 저장소
Chroma는 실전에 쓸 만한 벡터 저장소 가운데 시작하기가 가장 쉬운 편이야. pip로 설치하고 디스크 영속성만 지정하면 돼. 이 트랙에서는 생성, 추가, 검색, 필터, 갱신, 삭제, 백업처럼 계속 반복할 작업을 다뤄.
벡터가 관련 데이터 옆에 살아야 할 때
pgvector는 Postgres를 믿고 쓸 수 있는 벡터 저장소로 확장해. 장점은 관련 행과 벡터가 한곳에 있어 트랜잭션과 조인을 함께 쓰고 운영 대상도 하나로 줄일 수 있다는 거야. 이 트랙에서는 설치, 인덱스, 하이브리드 쿼리, 안전한 이전 절차를 다뤄.
벡터, 키워드, cross-encoder를 차례로
벡터 검색만으로는 제품 코드, 오류 문자열, 이름처럼 정확히 일치해야 하는 쿼리를 놓치고, 키워드 검색만으로는 같은 뜻의 다른 표현을 놓쳐. 하이브리드 시스템은 둘을 결합한 뒤 재순위화 모델로 다듬어. 이 트랙에서는 그 구성을 만드는 법과 실제 효과를 측정하는 법을 다뤄.
검색 결과를 근거 있는 LLM 답변으로
검색 증강 생성(RAG)은 비공개 데이터로 LLM 앱을 만드는 대표적인 방식이야. 이 트랙에서는 검색과 생성 사이의 계약, 프롬프트 조립, 인용, 그리고 RAG를 쓰지 말아야 할 경우를 다뤄.
비용, 지연 시간, 버전 관리, 조용한 품질 저하를 잡는 지표
검색 기능을 출시하는 순간부터 모델 문제는 운영 문제로 바뀌어. 이 트랙에서는 비용 통제, 지연 시간 개선, 임베딩 버전 관리, 관측 가능성, 테넌트 격리를 다뤄. 여섯 달 뒤에도 검색이 제대로 작동할지를 결정하는 기본기야.
한 번의 채팅에서 장기 기억을 지닌 상태형 AI까지
벡터 검색은 장기 기억을 갖춘 AI 시스템의 토대가 돼. 이 트랙에서는 일화 기억과 의미 기억, 요약 기억, 시간이 지난 기억을 다루는 설계 선택을 배우고 cwkPippa의 실제 구성 사례로 마무리해.
아직 댓글이 없어요. 첫 댓글을 남겨보세요.