실무로 통하는 LLM 애플리케이션 설계

401

12

장

검색 증강 생성(RAG)

이 연습 문제는 지식 기반 작업에서

RAG

가 파인 튜닝보다 효과적인 이유를 체감하는 데 도움이

될 것입니다.

RAG

와 파인 튜닝은 상호 보완적일 수 있습니다. 이 장의 앞부분에서

RAG

파이프라인의 각

단계를 파인 튜닝으로 최적화하는 방법을 살펴봤습니다. 또한

RAG

를 활용해 파인 튜닝 과정

을 최적화하는 방법도 확인했습니다. 따라서 검색과 파인 튜닝 모두

LLM

도구 상자의 강력한

부분입니다. 이 장을 통해 여러분이 실제 환경에서 이를 구현하고 배포하기에 충분히 준비되었

기를 바랍니다.

12.11

마치며

이 장에서는

RAG

파이프라인을 심도 있게 살펴보며, 입력을 재구성한 후, 외부 지식을 검색하

고, 검색된 항목을 재정렬하며, 의미적으로 정제한 뒤, 결과를 컨텍스트에 삽입하고, 응답을 생

성하는 방법으로 재작성-검색-리랭킹-정제-삽입-생성 파이프라인을 자세히 탐구했습니다.

외부 지식 통합, 과거 대화 기록 검색, 퓨샷 학습 예시의 동적 선택, 도구 선택을 포함한 다양한

시나리오에서

RAG

의 효과를 강조했습니다. 또한

RAG

의 한계와

RAG

적용이 어려운 시나리

오도 함께 다뤘습니다.

마지막 장인 다음 장에서는 지금까지 학습한 모든 개념을 활용해 최종 사용자에게 가치를 제공

하는

LLM

기반 제품을 설계하고 패키징하는 방법을 ...