Process / pipeline
검색 증강 생성 (RAG)
검색 증강 생성(Retrieval-Augmented Generation, RAG)은 2020년 Lewis 등이 소개한 자연어 처리 파이프라인으로, 추론 시점에 외부 지식 베이스에서 가져온 증거를 사용하여 대규모 언어 모델(LLM)을 강화합니다. RAG는 모델이 훈련 중에 기억한 내용에만 의존하는 대신, 먼저 문서 색인에서 가장 관련성 높은 구절을 검색한 다음 해당 구절을 컨텍스트로 LLM에 전달하여 생성된 답변을 검증 가능하고 최신 정보에 기반하도록 합니다. 이 접근 방식은 환각을 줄이고 모델을 재훈련하지 않고도 도메인별 또는 시기적절한 지식을 주입할 수 있게 합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
출처
- Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems (NeurIPS), 33, 9459-9474. DOI: 10.48550/arXiv.2005.11401 ↗
- Gao, Y. et al. (2023). Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv preprint. DOI: 10.48550/arXiv.2312.10997 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 1). Retrieval-Augmented Generation (RAG). ScholarGate. https://scholargate.app/ko/text-mining/retrieval-augmented-generation
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- BERT 임베딩텍스트 마이닝↔ compare
- BERT 미세 조정딥러닝↔ compare
- 텍스트로부터 지식 그래프 구축텍스트 마이닝↔ compare
- 질의응답(QA)텍스트 마이닝↔ compare
- 다중 헤드 셀프 어텐션딥러닝↔ compare
- 텍스트 요약텍스트 마이닝↔ compare
- 트랜스포머 (자연어 처리)딥러닝↔ compare