검색 파이프라인의 각 단계를 담당하는 핵심 모델. 한국어에 최적화되어 있으며,
API로 호출하고 자유롭게 조합할 수 있습니다.
두 모델은 차별화 포인트 이전에, 의미 기반 검색의 기반입니다.
자체 RAG 특화 모델을 확보해 지속 고도화 가능한 핵심 기술 자산으로 전환했습니다.
임베딩으로 의미 변환 · 문맥·의도 분석
벡터 유사도 검색 · 대규모 문서셋에서 후보 추출
정교한 문맥 이해 · 관련성 높은 순 정렬
개발 과정은 기술블로그: 자연어 질의에 최적화된 고성능 검색 기술, K RAG는 어떻게 개발되었나에서 확인하세요.
문서와 질의의 의미를 고차원 벡터 공간에 투영해 최적의 관련성을 추출합니다. 한국어 도메인 코퍼스로 학습해 동의어·구어체·전문용어를 폭넓게 포착합니다.
* 상세 벤치마크는 모델 성능 리포트를 참고하세요.
#1. 검색 질의인 경우
curl --location $EMBEDDING_API_URL \
--header "api-key: $API_KEY" \
--header "Content-Type: application/json" \
--data '{
"texts": ["요금제 변경 방법을 알려줘"],
"text_type": "query"
}'
#2. 검색 대상 문서인 경우
curl --location $EMBEDDING_API_URL \
--header "api-key: $API_KEY" \
--header "Content-Type: application/json" \
--data '{
"texts": ["5G프리미엄 요금제 변경은 고객센터를 통해...."],
"text_type": "passage"
}'
질의–문서 쌍을 함께 읽는 크로스 인코더로 1차 검색 결과를 재평가하여 최상위 정확도를 확보합니다. 실시간 응답에 맞는 지연을 유지합니다.
* 리랭킹 결합 시 상위 관련도가 7.6% 크게 향상됩니다.
curl --location $RERANKER_API_URL \
--header "api-key: $API_KEY" \
--header 'Content-Type: application/json' \
--data '{
"rerankInputs": [
{"query": "검색 질의 1", "passage": "검색문서 1"},
{"query": "검색 질의 1", "passage": "검색문서 2"},
{"query": "검색 질의 2", "passage": "검색문서 3"},
{"query": "검색 질의 2", "passage": "검색문서 4"}
]
}'텍스트·이미지·도표를 동일한 의미 공간에 임베딩. 문서 속 그림과 표까지 검색 대상으로 확장합니다.
텍스트·이미지가 혼합된 후보를 함께 이해해 재정렬. Multimodal RAG의 상위 정확도를 담당합니다.
모델부터 엔진까지 KAS 플랫폼으로 통합 도입하고, 함께 성과를 설계합니다.