기술노트 — AI·풀스택·인프라 실전 개발 지식 | 영삼넷

본문 바로가기

임베딩 모델과 벡터DB 선택 기준

차원·다국어·비용·도메인 적합도로 임베딩을 고르고, 규모·필터·운영 부담으로 벡터DB를 고른다. 과한 인프라를 피하는 법.

#Embedding#VectorDB#RAG

RAG 검색 품질이 낮을 때 — 청킹부터 다시

RAG가 엉뚱한 답을 하면 대개 검색 단계가 문제다. 청크 크기·오버랩·메타데이터·하이브리드 검색·리랭킹으로 적합도를 올린다.

#RAG#LLM#Embedding

Elasticsearch 9 — Elastic Inference 임베딩 + BM25 하이브리드

ES 9의 Elastic Inference로 임베딩 자동 생성 + BM25 결합 하이브리드 검색. 사내 검색 NDCG +18%.

#Elasticsearch#Search#Embedding

멀티모달 임베딩 — Voyage 3.5 vs Cohere Embed v5 실측 비교

이미지·텍스트 혼합 검색에서 Voyage 3.5와 Cohere Embed v5를 사내 카탈로그 30만 건으로 벤치마크.

#Embedding#Multimodal#Voyage

RAG가 망가지는 5가지 패턴 — 청킹·리랭킹·하이브리드 검색 실전 해법

RAG가 "그럴듯하지만 틀린 답"을 내는 5가지 원인과 실전 해법. 청킹·리랭킹·하이브리드·메타필터·도메인 임베딩.

#RAG#Embedding#Reranking

Embedding 모델 2026 비교 — OpenAI v3·Cohere v4·Voyage·bge-m3·solar

2026년 4월 임베딩 모델 5종 종합 비교 — OpenAI v3-large, Cohere embed-multilingual-v4, Voyage 3, bge-m3, solar-embedding. 한국어·다국어·도메인별 추천.

#Embedding#RAG#NLP

RAG 시스템 한국어 청킹 전략 — kss·KoNLPy + Late Chunking 실전

RAG 정확도를 결정하는 청킹 — 한국어 특성을 살린 kss 문장 분리, Late Chunking, recursive split 조합으로 recall@10을 0.7에서 0.9 이상으로 끌어올린 실전.

#RAG#Korean#NLP

RAG(Retrieval-Augmented Generation) 실전 구축 가이드 — 벡터DB 선택부터 청크 전략까지

RAG는 LLM에 외부 지식을 주입하는 표준 패턴이다. 청크 전략·임베딩 선택·벡터DB·리랭킹·평가 지표까지 실전 설계 기준을 정리한다.

#RAG#VectorDB#Embedding