본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
이번 강의에서는 RAG(Retrieval-Augmented Generation) 방법론과 OpenAI Embeddings API를 활용한 텍스트 검색 및 유사도 비교 방법을 학습할 수 있었다. 단순한 단어 기반 검색의 한계를 극복하고 문맥을 반영한 검색이 가능하도록 하는 임베딩(Embeddings)의 개념이 핵심적으로 다루어졌다.
특히, 단어를 고유한 벡터 값으로 변환하여 의미적으로 가까운 단어들이 비슷한 벡터 값을 갖도록 하는 과정이 매우 흥미로웠다. 기존의 키워드 기반 검색 방식에서는 동의어나 문맥을 고려하지 못하는 한계가 있었지만, 임베딩을 활용하면 더 정교한 검색 결과를 얻을 수 있다는 점이 인상적이었다. 강의에서는 "사과"와 "배"의 벡터 값이 유사하지만, "컴퓨터"의 벡터 값과는 차이가 큰 예시를 통해 이를 직관적으로 이해할 수 있도록 설명했다.
OpenAI Embeddings API를 활용한 예제 실습도 매우 유용했다. API를 통해 텍스트를 벡터화하고, 코사인 유사도를 사용하여 문장 간 유사도를 계산하는 과정이 실습을 통해 명확하게 전달되었다. 특히, 같은 문장을 더 높은 차원의 임베딩 모델로 변환했을 때 유사도 점수가 더 정확해지는 것을 확인할 수 있었다. 이는 향후 프로젝트에서 검색 성능을 최적화할 때 중요한 고려 요소가 될 것이다.
또한, 실전에서 활용할 수 있는 텍스트 검색 응용 예제도 다루어졌다. 특정 질문을 던지고, 여러 문서 중 가장 유사한 문서를 찾는 실습을 진행하면서, 검색 시스템에서 임베딩을 활용하는 방식에 대한 이해를 깊이 할 수 있었다. 단순한 TF-IDF 방식이 아니라 의미적으로 연관된 정보를 검색할 수 있다는 점에서 다양한 분야에 적용 가능하다고 생각된다.
강의 전반적으로 설명이 명확하고, 실습 예제가 실제 사용 사례를 반영하고 있어 학습 효과가 높았다. 다만, 임베딩 모델의 선택에 따른 성능 차이를 분석하는 부분이 조금 더 보강되었으면 더욱 유익했을 것 같다. 전반적으로 실무에서 RAG와 임베딩을 활용한 검색 시스템을 구축하고자 하는 사람들에게 매우 추천할 만한 강의였다.
① 오늘자 날짜, 공부 시작 시각
② 오늘자날짜, 공부 종료 시각
③ 클립 1번 수강 인증 사진
④ 클립 2번 수강 인증 사진
⑤ 학습 인증샷 1장 이상 (ex. 필기 촬영, 작업물, 등)
