홈 · KAS · 지능형 RAG
RAG 고도화

지능형 RAG — 네 가지 고도화 전략

검색으로 찾은 근거를 상황에 맞는 전략으로 답으로 만듭니다. 각 전략의 성능은 공개 벤치마크와 실 서비스 질의로 검증했습니다.

01Modular
02Agentic
03Multimodal
04Graph
Modular RAG · 조립형

필요한 모듈을 조립하는 유연한 파이프라인

질의 분해부터 멀티 검색 라우팅, 생성, 근거 검증까지 각 단계를 모듈로 분리해 상황에 맞게 조립·교체합니다. 도메인·비용 조건에 따라 파이프라인을 자유롭게 최적화할 수 있습니다.

PluggableRoutingMulti LLMPipeline 최적화
1
Query Reasoning

질의를 하위 질문으로 분해하고 멀티 쿼리로 확장합니다.

2
Knowledge Routing

질의에 따라 FAQ 검색 · 지식 검색 · 웹 검색으로 라우팅합니다.

3
Retriever

지식 검색은 Hybrid Search 또는 Vector Search를 선택해 실행합니다.

4
Reranker

정밀도가 필요하면 리랭커를 끼우고, 지연이 중요하면 우회합니다.

5
Generator · LLM 선택

도메인·비용·품질 조건에 맞춰 생성 모델을 교체할 수 있습니다.

6
Groundedness Check

근거 일치를 검증하고, 미충족 시 웹 검색으로 재탐색합니다.

7
파이프라인 실행

선택된 모듈을 순차·병렬로 실행합니다.

8
평가 · 교체

파이프라인 내 모듈을 A/B 교체하여 품질 지표 기준 최적화합니다.

이럴 때 적합 — 비정형 문서 기반 사실 답변. 금융 상품설명서·약관 기반 AI 상담처럼 파이프라인을 세밀하게 튜닝해야 할 때.
Modular RAG · 선택형 파이프라인RUNNING
Query STEP 01 Query Reasoning 질의 분해 멀티 쿼리 MULTI-KNOWLEDGE ROUTING FAQ 검색 정형 FAQ · 상담 이력 SELECT 지식 검색 사내 문서 · 규정 Hybrid Vector 웹 검색 외부 최신 정보 BYPASS OPTIONAL MODULE Reranker STEP 04 SELECT LLM Generator 믿:음 K 2.0 GPT Claude LLM 선택 · 근거 기반 답변 생성 Groundedness Check 근거 일치 여부 검증 미충족 → 웹 검색 재탐색 Answer + Evidence Citation
선택형 파이프라인 — 지식 검색은 Hybrid/Vector, Reranker는 사용/우회, Generator는 LLM을 골라 구성합니다. 근거 미충족 시 웹 검색으로 재탐색합니다.
Multimodal RAG · 멀티모달 검색

시각적 이해를 높인 검색 지능

한국어 최고 성능의 멀티모달 검색 모델을 개발하여 최적화된 검색 경험을 제공합니다. 텍스트뿐 아니라 표·이미지·차트·매뉴얼까지 함께 이해합니다.

VL-EmbeddingVL-RerankerChart/Table매뉴얼 이해
🖼️
멀티모달 이해

텍스트뿐 아니라 표·이미지·차트·매뉴얼까지 함께 이해합니다.

◫
KT-VL-Embedding

이미지·표를 텍스트와 같은 의미 공간으로 임베딩해 통합 검색합니다.

◎
KT-VL-Reranker

통합 이해 기반으로 후보를 재순위화해 상위 정확도를 높입니다.

Key Point · Benchmark

멀티모달 검색 모델 2종을 확보하였습니다

자체 개발한 KT-VL-Embedding, KT-VL-Reranker를 통해 차트, 이미지까지 이해할 수 있습니다. 정확도는 경쟁 Qwen-VL 모델군 대비 Embedding 12%, Reranker 17.6% 향상하였습니다.

BeforeAfter
표·이미지·차트 등의 정보 이해에 한계
→
표·이미지·차트까지 통합적으로 이해
멀티모달 RAG 특화 모델 · 한국어 문서 검색 성능
KT-VL-Embedding 성능 (Recall@10)
87.17
Qwen-Embed
97.67
KT-Embed*
▲ +12.0%
KT-VL-Reranker 성능 (Recall@3)
78.5
Qwen-Rerank
92.33
KT-Rerank*
▲ +17.6%

* 자체 개발 멀티모달 특화 모델
(Link) Samsung KoPub-Visual Document Retrieval Benchmark 기준 평가

산업 예시 — 제조 설비 도면·점검 사진 기반 정비 가이드 제공. 도면·차트·스캔 문서처럼 시각 정보가 근거에 포함될 때 적합합니다.
Agentic RAG · 다단계 추론 검색

다단계 추론으로 검색의 한계를 넘다

복잡한 질문을 스스로 분해하고, 분산된 정보를 단계적으로 탐색·검증합니다. 다양한 벤치마크에서 검증된 높은 검색 성능으로 더 정확하고 신뢰할 수 있는 AI 검색을 제공합니다.

PlanningSelf-ReflectionMulti-hopMulti-source
🧭
검색 전략 (Planning)

질문을 분해해, 어떤 정보를 어떤 순서로 찾을지 스스로 계획합니다.

🔁
자기 성찰 (Self-Reflection)

부족한 근거를 스스로 발견해 다시 탐색하고 답변을 정교화합니다.

⚡
생산성

고객센터·영업·기술지원·기획에서 더 빨리, 더 적은 재확인으로 답을 찾습니다.

Key Point · Benchmark

복잡한 질문도 해결하는 추론 능력을 증명하였습니다

일반 지식과 법률 지식 벤치마크에서 타 Agentic RAG 방법론 대비 높은 성능을 보였습니다. 특히 법률지식에서 MA-RAG 대비 25.3%p 향상되었습니다.

BeforeAfter
정확한 질문을 입력해야 결과를 찾음
→
의도 기반으로 “필요한 답”을 탐색
여러 문서를 직접 뒤지고 교차 검증
→
스스로 여러 번 탐색해 근거까지 완성
Agentic RAG · 벤치마크 성능
Musique-일반지식 검색성능
50.94
MA-RAG
55.60
KT-Agentic RAG
▲ +9.15%
Koblex-법률지식 답변검증
65.66
MA-RAG
82.30
KT-Agentic RAG
▲ +25.3%
산업 예시 — 법률 민원·법령·사례를 종합하여 행정 업무처리.  확산 영역 — B2B 플랫폼의 핵심 검색 엔진 · B2C 고객 접점 · 사내 KAS·지식허브 생산성.
Graph RAG · 전사 지식 자산화

정보를 관계로 연결해, 정확하게

반·비정형 데이터를 지식 그래프로 전환하고, 문서뿐 아니라 정보 간 관계를 함께 탐색해 정확하고 신뢰할 수 있는 답변을 제공합니다.

Knowledge Graph관계 추론NL2QL근거 설명
🎯
정확성

상품·조건·혜택·제약을 연결해 단편적이지 않은 답변을 만듭니다.

🛡️
신뢰성

왜 그런 답이 나왔는지 근거 관계까지 설명합니다.

📚
자산화

상품·정책·업무 지식을 AI가 이해 가능한 형태로 축적합니다.

Key Point · Benchmark

관계 기반 접근의 효과를 성능으로 입증했습니다

사실 검색, 복합 추론, 문맥 요약 등 다양한 질의 유형에서 경쟁 GraphRAG 대비 높은 정확도를 기록했습니다. 전체 정확도는 HippoRAG2 대비 7.56%p 향상되었습니다.

GraphRAG-Bench · 의료 데이터셋 정확도 (2026 ICLR)
MS-GraphRAG HippoRAG2 KT-GraphRAG
Fact
RetrievalComplex
ReasoningContextual
SummarizeCreative
GenerationOverall
TaskMS-GraphRAGHippoRAG2KT-GraphRAG
Fact Retrieval38.6366.2873.36
Complex Reasoning47.0461.9872.65
Contextual Summarize41.8763.0871.42
Creative Generation53.1168.0567.09
Overall45.1664.8572.41
산업 예시 — 통신 회선·장비·고객 불만을 연결 분석해 장애 대응.  확산 영역 — 복잡한 상품 구조의 B2C · 약관·규정 중심 B2B · 기술지원 · 공공·금융·제조.
Case Study : KT상품그래프 기반 그래프탐색

상품 비교·조건 검색에 확실한 강점이 있습니다

가격·용량·상품명·국가 등의 검색 조건을 실제 필터로 변환하여, 조건을 만족하는 결과만 정확하게 제공합니다.

Condition Search Accuracy · 자연어 질의 기반 검색
수치형 필터 (가격·용량)
32.4
기존 벡터검색
97.9
NL2QL
문자형 필터 (상품명·국가)
44.2
기존 벡터검색
92.2
NL2QL
항목기존 벡터검색NL2QL
수치형 필터32.497.9
문자형 필터44.292.2
평균38.395.05

조건 검색 정확도 벡터검색 대비 +56.75%p

예시 질의 — “OTT 이용 가능한 요금제 중에서, 청소년이 가입하면 좋은 상품이 뭐 있어요?” → 🛍️상품 · 📶요금제 · 📋조건 · 🏷️할인 · 🎁혜택 관계를 함께 탐색.
성능 검증

실측 벤치마크로 확인한 결과

각 RAG 전략의 성능은 공개 벤치마크와 실 서비스 질의를 기준으로 검증했습니다.

Agentic · Koblex
82.30
▲ +25.3%
법률 지식 응답 성능
Multimodal · VL-Embedding
97.67
▲ +12.0%
한국어 Recall@10
Multimodal · VL-Reranker
92.33
▲ +17.6%
한국어 Recall@3
GraphRAG · Overall
72.41
▲ +7.56%p
GraphRAG-Bench · 의료
NL2QL · 조건 검색
95.05
▲ +56.75%p
벡터검색 대비 평균

* Agentic은 MA-RAG, Multimodal은 Qwen 계열, GraphRAG는 HippoRAG2, 조건 검색은 기존 벡터검색을 기준으로 비교한 값입니다.

아키텍처 다양화

하나의 구조가 아니라, 조합 가능한 아키텍처

고객 데이터와 업무 목적이 다르기 때문에 RAG도 하나의 구조로는 부족합니다.
복잡한 산업별 AX 과제는 검색 · 추론 · 실행 · 멀티모달 처리를 업무 목적에 맞게 조합해야 합니다.

Modular RAG

의미기반 검색·추론

비정형 문서 기반 사실 답변

금융 — 상품설명서, 약관 기반 AI 상담

Multi-modal RAG

시각적 이해·검색

이미지·도면 포함 문서 처리

제조 — 설비 도면, 점검 사진 기반 정비 가이드 제공

Demo 보기 →
Agentic RAG

에이전트형 지식추론

복잡한 질의, 다양한 지식

법률 — 민원·법령·사례를 종합하여 행정 업무처리

Demo 보기 →
Graph RAG

관계형 지식추론

엔티티·관계 중심 지식 연결

통신 — 회선·장비·고객 불만 연결 분석으로 장애 대응

Demo 보기 →
[산업별 AX] 데이터의 형태와 업무 자동화 수준에 따라, 다양한 RAG 아키텍처를 조합 기반으로 사업화 추진.
Demo Video

영상으로 살펴보는 Intelligent RAG

Intelligent RAG가 질문을 이해하고 필요한 정보를 찾아 답을 완성하는 과정을 살펴보세요.

Agentic/MultiModal RAG

01 / SEARCH

Agentic RAG의 질문 분해와 반복 탐색, 멀티모달 RAG의 텍스트·이미지·표 근거 확인을 통해 답변을 완성하는 소개 영상입니다.

Agentic RAGMultimodal RAGEvidence
Agentic + Multimodal RAG 소개 영상EDU FILM

Graph RAG

02 / GRAPH

문서와 엔티티 사이의 관계를 연결해 복합 질문을 탐색하고 근거까지 설명하는 그래프 검색 흐름입니다.

Knowledge GraphRelationship ReasoningNL2QL
Graph RAG 교육 영상NEW · EDU FILM
← RAG 전략으로 돌아가기

검색부터 의사결정까지,
하나의 플랫폼으로.

모델부터 엔진까지 KAS 플랫폼으로 통합 도입하고, 함께 성과를 설계합니다.

도입 상담 신청 → 데모 체험하기