[데분챌 9일차] RAG 시스템의 필요성

오늘은 Chat GPT의 한계를 보완하는 RAG 시스템에 대해 알아 보았습니다.
이번 글은 관심있게 보고 있는 엉드루님의 글을 요약했습니다.

요약

• Chat GPT 한계점
  • 고정된 지식 기반 작업
  • 환각 현상 가능성
  • 문맥 처리 한계
  • 개인화 및 도메인 특화 어려움
• RAG(Retriever-Augemented Generation) 장점
  • 최신 정보 반영 가능
  • 정확성 향상: 신뢰할 수 있는 출처에서 정보를 검색
  • 문맥 확장 가능
  • 개인화 및 도메인 특화 답변 가능
• RAG 작동 원리
  • 사용자 질문
  • 외부 DB 또는 문서 검색
  • LLM이 검색된 정보의 문맥을 이해 및 통합하여 응답 생성
• RAG 사례
  • 문서 요약 및 정보 추출
  • 고객 지원 자동화
  • 내부 지식 관리
  • 규제 준수 검토
  • 마케팅 자료 생성

인사이트

• LLM 엔진의 지속된 발전에도 RAG 시스템의 중요성이 여전히 존재합니다.
  • RAG를 통해 실시간 정보를 반영하여 깊이 있는 답변을 얻을 수 있기 때문입니다.
• 결국 프롬프트 엔진니어링의 기본적인 사용 방법을 배우고 RAG 시스템을 구축해야 한다는 것을 인지했습니다.
  • 필요에 따라 RAG 시스템을 통해 모델을 개인화 및 최적화할 수 있기 때문입니다.
• RAG 시스템은 데이터 업무 자동화 및 필요한 내용을 요 및 추출하기에 유용할 것으로 기대합니다.

출처

RAG