검색 증강 생성(RAG)은 지식 기반 작업에서 대규모 언어 모델(LLM)의 성능을 크게 향상시켰습니다. 그러나 단순한 '검색-생성' 방식을 넘어선 정교한 검색기, 오케스트레이션 메커니즘, 최적화 전략이 도입되었음에도 불구하고, 다양한 작업에 걸쳐 RAG 시스템을 체계적으로 설계하고 최적화하기 위한 통합 패러다임은 여전히 부족합니다.
본 논문은 RAG 시스템을 모듈, 서브모듈, 연산자의 3계층 구조로 조직화하는 통합 패러다임인 Modular RAG를 제안합니다. 우리는 8개의 L1 모듈 내에서 40개 이상의 특수 연산자를 형식화하고, 선형, 조건부, 분기, 루프를 포함한 전형적인 RAG 설계 패턴을 요약하여 검색 및 생성 프로세스의 오케스트레이션을 모델링합니다.
광범위한 실험을 통해 다양한 RAG 워크플로우가 전형적인 작업에 대한 적응성을 입증했습니다. 또한 노드 수준 진단을 도입하여 성능 병목 현상을 식별하고 효율성과 효과성 간의 균형을 정량화했습니다.
Modular RAG는 통합 패러다임과 경험적으로 뒷받침되는 매핑 가이드라인을 제공함으로써, 연구자와 실무자가 다양한 응용 시나리오에서 RAG 시스템을 설계, 구현 및 최적화할 수 있는 체계적인 프레임워크를 제시합니다.
거대 언어 모델(LLM)은 방대한 파라미터 기반의 지식 저장 능력을 통해 다양한 분야에서 뛰어난 성능을 보였지만, 환각 현상, 지식 업데이트의 어려움, 특정 도메인 전문성 부족 등의 한계를 지닌다. 외부 지식 기반을 활용하여 LLM을 보강하는 검색 증강 생성(RAG)은 이러한 제약을 완화하는 효과적인 대안으로 부상했다.
본 연구는 자연어 처리(NLP) 분야의 RAG 기술을 체계적으로 검토하며, 특히 검색기(retriever)와 검색 융합(retrieval fusion) 방식에 초점을 맞춘다. 질의 기반, 로짓 기반, 잠재적, 파라미터 융합 등 새로운 검색 융합 분류 체계를 제시하고, 접근성, 효율성, 활용 사례를 기준으로 구조화된 비교 분석을 수행한다.
나아가 다양한 NLP 태스크에서의 RAG 적용 사례를 탐구하고, 평가 방법론 및 벤치마크의 한계를 논의한다. 지식 기반 업데이트 유무에 따른 훈련 패러다임을 분석하며, 산업 배포 시 고려사항과 보안, 효율성, 그래프 기반 검색 등 새롭게 부상하는 도전 과제 및 미래 연구 방향을 제시한다.
거대 언어 모델(LLM)은 정적인 정보에 국한된다는 한계를 지닌다. 검색 증강 생성(RAG)은 정보 검색(IR) 기술과 딥러닝을 결합하여 LLM이 최신 외부 정보를 동적으로 통합할 수 있도록 함으로써 이러한 한계를 극복한다. 이 방법론은 주로 텍스트 영역에 초점을 맞추며, LLM이 생성하는 그럴듯하지만 부정확할 수 있는 응답에 대한 비용 효율적인 해결책을 제공하여 실제 데이터를 통해 출력의 정확성과 신뢰성을 향상시킨다.
RAG는 성능에 영향을 미칠 수 있는 여러 개념을 통합하며 복잡성이 증가하고 있다. 본 논문은 RAG 패러다임을 사전 검색, 검색, 사후 검색, 생성의 네 가지 범주로 체계화하여 검색 관점에서 상세한 시각을 제공한다. 또한 RAG의 작동 방식을 설명하고 주요 연구 분석을 통해 이 분야의 발전을 논의한다.
이 연구는 RAG에 대한 평가 방법을 소개하고, 당면 과제를 다루며 미래 연구 방향을 제시한다. 체계적인 프레임워크와 분류를 제공함으로써 RAG에 대한 기존 연구를 통합하고, 기술적 기반을 명확히 하며, LLM의 적응성과 응용 범위를 확장할 잠재력을 강조한다.
