생성형 AI에서 빠진 조각, RAG가 완성한다.
전 세계의 주목을 받으며 등장한 생성형 AI를 기업에서 구현하는 과정은 시행착오의 연속이었다. AI 채팅 도구가 일상적 업무에 활용하면서 기업 내 섀도우 AI 사용률이 급증하고 있다. 그러나 조직 미션의 핵심인 지식 집약적 워크플로우 방면에서 생성형 AI는 아직 업무 방식을 혁신한다는 원대한 약속을 이행하지 못하고 있다.
그러나 검색 증강 생성(RAG)이라는 프로세스 덕분에 이러한 환멸의 시기가 오래 지속되지는 않을 것 같다. RAG는 과거에는 불가능했던 기업 내 생성형 AI 사용례를 만들어내고 있다. 오픈AI, 마이크로소프트, 메타, 구글, 아마존과 많은 AI 신생업체는 엔터프라이즈 중심의 RAG 기반 솔루션을 공격적으로 출시하고 있다.
RAG는 기업에서 생성형 AI의 발목을 잡고 있던 한 가지 큰 문제, 즉 정보 검색 모델을 해결한다. 이제 생성형 AI 도구는 대형 언어 모델(LLM)이 학습한 데이터 외의 관련 데이터에 액세스할 수 있는 방법을 갖게 되었으며, 해당 정보를 기반으로 결과물을 생성할 수 있다. 단순해 보이지만 기업 사용례에서 생성형 AI 도구의 잠재력을 발휘하는 핵심 기능이다.
먼저 생성형 AI가 학습 데이터 외부의 정부에 액세스할 수 없을 때 발생하는 문제를 살펴보자.
언어 모델의 한계
챗GPT와 같은 생성형 AI 도구는 일관된 응답을 생성하는 데 필요한 언어 패턴을 학습하기 위해 기사, 책, 온라인 정보 등 방대한 양의 텍스트 데이터로 훈련된 대형 언어 모델을 기반으로 한다. 그러나 학습 데이터는 방대하지만 특정 시점에 수집된 전 세계 정보의 스냅샷일 뿐이며, 범위가 제한되어 있고 도메인별 또는 최신 데이터가 없다.LLM은 학습 데이터에서 학습한 언어 패턴을 기반으로 새로운 정보를 생성하며, 그 과정에서 전적으로 신뢰할 수 있는 것처럼 보이는 사실을 만들어내는 경향이 있다. 이것이 바로 생성형 AI의 환각이라는 문제다. 성형 AI 도구를 사용하여 일상적인 업무를 처리하는 개인에게는 큰 문제가 되지 않지만, 정확성이 중요한 엔터프라이즈 워크플로우에서는 환각 문제가 걸림돌로 작용하고 있다.
사모펀드 애널리스트는 공급망 실체를 조작하는 AI 도구에 의존할 수 없다. 법률 애널리스트는 소송을 발명하는 AI 도구에 의존해서는 안 된다. 의료 전문가도 약물 상호작용을 상상하는 AI 도구에 의존할 수 없다. AI 도구는 기본 소스를 인용하지 않고 언어 패턴을 기반으로 출력을 생성하기 때문에 출력의 정확성을 검증하거나 규정 준수 사용례에서 사용할 수 있는 방법이 없다.
하지만 기업에서 생성형 AI의 성공이 좌절된 것은 환각 외에도 다른 이유가 있다. LLM 학습 데이터는 일반 정보는 풍부하지만 도메인별 또는 독점 데이터가 부족하기 때문에 지식 집약적인 기업 사용례에는 거의 쓸모가 없다. 사모펀드 애널리스트가 필요로 하는 공급업체 데이터도, 법률 전문가에게 필요한 소송 정보나 의사에게 필요한 약물 상호작용 데이터도 마찬가지다.
엔터프라이즈 AI 애플리케이션은 일반적으로 최신 정보에 대한 액세스를 요구하며, 이는 LLM만으로는 제공할 수 없는 또 다른 영역이다. 학습 데이터는 정적이며, 마감 날짜가 수개월 전인 경우가 많다. 시스템이 사모펀드 애널리스트가 필요로 하는 종류의 공급업체 데이터에 액세스할 수 있다고 해도 최근 8개월간의 데이터가 누락되어 있다면 큰 가치가 없을 것이다. 법률 전문가와 의사는 처지가 같다. AI 도구가 도메인별 데이터에 액세스한다 해도, 최신 데이터가 아니면 아무 소용이 없을 것이다.
생성형 AI에 기업이 요구하는 점
기업에서 필요한 생성형 AI의 조건과 요구사항을 다음과 같이 정의해 보았다.- 모든 관련 최신 도메인별 데이터를 포함하여 포괄적이고 시의적절해야 한다.
- 결과물에 사용된 모든 출처를 인용하여 신뢰할 수 있고 투명해야 한다.
- LLM 학습 데이터가 아닌 신뢰할 수 있는 특정 데이터 세트에 기반하여 신뢰할 수 있고 정확해야 한다.
RAG를 사용하면 생성형 AI 도구가 이러한 요구 사항을 충족할 수 있다. 검색 기반 모델과 생성 모델을 통합함으로써 RAG 기반 시스템은 대량의 불완전한 비정형 데이터에서 정확한 요약과 인사이트를 추출해 자연어로 명확하고 정확하게 제시해야 하는 지식 집약적인 워크플로우를 처리하도록 만들어질 수 있다.
RAG에는 기본적으로 4가지 단계가 있다.
- 벡터화. 신뢰할 수 있는 소스에서 관련 정보를 텍스트를 시스템이 분류에 사용할 수 있는 특수 코드로 변환하여 변환한다.
- 검색. 수학적 표현을 사용하여 쿼리를 신뢰할 수 있는 정보 소스에 포함된 유사한 코드와 일치시킨다.
- 순위. 질문 내용, 사용자, 정보 출처를 고려하여 가장 유용한 정보를 선택하라.
- 세대. 해당 문서에서 가장 관련성이 높은 부분을 질문과 결합하여 LLM에 공급하여 결과물을 생성한다.
LLM에만 의존하여 응답을 생성하는 생성형 AI 도구와 달리, RAG 기반 생성형 AI 도구는 기초 데이터를 적절히 소싱하고 검증하는 한, 훨씬 더 정확하고 포괄적이며 관련성이 높은 결과물을 생성한다. 기업 사용자도 출력된 결과를 신뢰하고 중요한 워크플로우에 사용할 수 있을 것이다.
새롭고 업데이트된 정보를 검색하고 출처를 인용하는 RAG의 기능은 매우 중요하기 때문에 오픈AI는 챗GPT에 RAG 기능을 도입하기 시작했다. 퍼플렉시티 AI 같은 최신 검색 도구는 원전을 인용하는 응답을 보여주기 때문에 많은 인기를 얻고 있다. 그러나 여전히 일반 지식 도구로 도메인별 엔터프라이즈 사용례에 맞게 작동하려면 시간과 투자가 필요하다.
기업용으로 준비한다는 것은 정보를 가져오는 곳의 기초 데이터를 도메인별로 소싱 및 조사하고, 검색을 사용자 정의하고, 사용례와 가장 관련성이 높은 문서를 반환하도록 검색 순위를 매기고, 출력에 올바른 용어, 어조 및 형식을 사용하도록 생성에 사용되는 LLM을 미세 조정하는 것을 의미한다.
생성형 AI에 대한 초기의 뜨거운 관심에도 불구하고, 지금까지 기업에서의 실제 도입은 저조했다. 그러나 RAG는 정확성, 신뢰성, 도메인 특이성이 요구되는 분야에서 생성형 AI 솔루션을 제공함으로써 산업 전반의 판도를 바꾸고 있다.
