ㅁ 주요 예시

ㅇ 정의:
생성형 에이전트 중, 정보를 수집하고 생성하여 사용자 요청에 최적화된 응답을 제공하는 시스템.

ㅇ 특징:
– 외부 데이터 소스와의 통합이 용이.
– 실시간 정보 업데이트 가능.
– 사용자 의도 파악에 중점.

ㅇ 적합한 경우:
– 복잡한 질의 응답 시스템.
– 대량의 비정형 데이터를 다루는 경우.
– 사용자 맞춤형 정보 제공이 필요한 애플리케이션.

ㅇ 시험 함정:
– Agentic RAG의 주요 기술적 구성 요소를 혼동할 수 있음.
– 단순 데이터 검색 시스템과의 차이를 명확히 이해하지 못할 가능성.

ㅇ 시험 대비 “패턴 보기” 예시:
1. Agentic RAG는 실시간 정보 업데이트가 불가능하다. (X)
2. Agentic RAG는 사용자 맞춤형 정보 제공에 적합하다. (O)

================================

ㅁ 추가 학습 내용

Agentic RAG의 주요 구성 요소와 관련된 기술적 통합 예시를 학습하기 위한 정리:

1. **Retrieval**:
– 정의: Retrieval은 외부 데이터 소스에서 관련 정보를 검색하는 단계입니다. 이 단계는 질문이나 문제에 대해 정확하고 관련성 높은 데이터를 가져오는 것이 목적입니다.
– 주요 작업: 문서 검색, 데이터베이스 쿼리, 웹 크롤링 등을 포함.
– 사용 기술: 검색 알고리즘, 벡터 데이터베이스, 인덱싱 기술.
– 예시: 사용자가 질문을 입력하면 시스템은 관련 문서를 검색하고 필요한 정보를 가져옵니다.

2. **Augmentation**:
– 정의: Augmentation은 검색된 정보를 보강하여 더 나은 품질의 데이터를 생성하는 과정입니다. 이 단계에서는 검색된 데이터의 문맥을 확장하거나 필요한 추가 정보를 결합합니다.
– 주요 작업: 데이터 정제, 문맥 확장, 추가 정보 결합.
– 사용 기술: 자연어 처리(NLP), 데이터 필터링 및 요약 기술.
– 예시: 검색된 문서의 핵심 내용을 요약하거나, 부족한 데이터를 외부 소스에서 추가로 가져와 보강.

3. **Generation**:
– 정의: Generation은 최종적으로 사용자 질문이나 요청에 대한 응답을 생성하는 단계입니다. 이 단계에서는 Augmentation된 데이터를 활용하여 자연어로 결과를 생성합니다.
– 주요 작업: 응답 생성, 텍스트 생성, 언어 모델 사용.
– 사용 기술: GPT와 같은 언어 모델, 텍스트 생성 알고리즘.
– 예시: Augmentation된 데이터를 바탕으로 사용자의 질문에 대한 완전한 답변을 생성.

4. **기술적 통합 예시**:
– OpenAI API와의 연계:
– Retrieval 단계에서 검색된 데이터를 OpenAI API를 통해 전달하여 언어 모델의 문맥 이해를 돕습니다.
– Augmentation 단계에서 OpenAI API를 활용하여 검색된 데이터를 요약하거나 문맥을 확장합니다.
– Generation 단계에서는 OpenAI API의 GPT 모델을 사용하여 최종 응답을 생성합니다.
– 예시: 사용자가 “기후 변화의 주요 원인”에 대해 질문하면, 검색된 문서를 OpenAI API를 통해 요약하고, 이를 바탕으로 GPT 모델이 자연어 응답을 생성.

이러한 구성 요소는 상호작용하며, 각각의 단계가 효율적으로 수행될수록 Agentic RAG의 성능이 개선됩니다.