728x90
반응형

reranker 2

Semantic-RAG Chunking (SRAG-C)

개요Semantic-RAG Chunking(SRAG-C)은 RAG(Retrieval-Augmented Generation) 시스템의 성능을 극대화하기 위해 문서를 의미 단위로 나누는 청킹(chunking) 기법입니다. 기존의 고정 길이 기반 청킹 방식은 문맥의 단절이나 정보 누락을 야기할 수 있지만, SRAG-C는 의미적 일관성을 기반으로 문서를 나누어 검색 효율성과 정답 생성 품질을 향상시킵니다. 이 글에서는 SRAG-C의 정의, 구조, 기술적 구현, 활용 사례 및 도입 시 고려사항 등을 구체적으로 설명합니다.1. 개념 및 정의항목설명비고정의의미 기반 문단/문장 단위로 문서를 분할하는 청킹 기법문장 내 의미 연속성 고려목적RAG 시스템 내 검색 정밀도 및 응답 품질 향상의미 누락 최소화필요성고정 길이 ..

Topic 2025.08.16

Self-Correcting RAG (ReAct + Retrieval Re-rank)

개요Self-Correcting RAG는 Retrieval-Augmented Generation(RAG)의 한계를 극복하기 위한 차세대 구성 방식으로, **ReAct 방식의 반응형 추론(Reasoning + Acting)**과 재검색 기반 재정렬(Retrieval Re-ranking) 기법을 결합해 생성형 AI의 정확도, 신뢰도, 자기 검증력을 향상시키는 구조입니다. 정보 검색과 응답 생성을 반복 순환함으로써 ‘자기 수정(Self-Correction)’ 능력을 내재화합니다.1. 개념 및 정의 용어 설명 RAG검색된 문서를 기반으로 LLM이 답변 생성ReActLLM이 사고하며 행위하도록 유도하는 방식 (예: 추론 + 검색 + 검토 반복)Re-ranking검색된 문서의 관련도를 재평가하여 우선순위 조정Se..

Topic 2025.06.26
728x90
반응형