8가지 새로운 RAG 기법

RAG 기법, 계속해서 진화합니다. ^.^

RAG (검색 증강 생성; Retrieval-Augmented Generation) 기법은 답변을 생성하는 과정 중에 관련된 외부 데이터를 검색해서 LLM의 응답 정확도 및 최신성을 향상시키기 위한 기법이죠.

튜링 포스트 코리아에서도 몇 차례 업데이트하면서 소개시켜 드렸습니다만, 최신의 AI 트렌드를 따라가면서 RAG 기법도 심층적인 단계별 추론, 트리 서치, 멀티모달리티 등 다양한 기술을 통합하면서 발전하고 있습니다.

오늘은 8가지의 최신 RAG 기법을 소개합니다:

1. DeepRAG → ‘DeepRAG: Thinking to Retrieval Step by Step for Large Language Models’
   ‘검색 증강 추론’ 작업을 마르코프 의사결정 과정으로 취급해서 검색을 전략적으로 수행합니다. 외부 지식을 검색할 시점, 파라미터 추론에 의존할 시점을 다이나믹하게 결정합니다.

2. RealRAG → ‘Retrieval-Augmented Realistic Image Generation via Self-Reflective Contrastive Learning’
   실제의 이미지를 검색하고 ‘Self-Reflective Contractive Learning (자기 성찰적 대조 학습)’ 방법으로 지식의 갭을 채우면서 현실감을 개선, 왜곡을 줄이는 방식으로 새로운 객체를 자연스럽게 형성할 수 있도록 합니다.

3. Chain-of-Retrieval Augmented Generation (CoRAG) → ‘Chain-of-Retrieval Augmented Generation’
   정보를 단계별로 검색하고 조정해서, 테스트 시점에 사용할 컴퓨팅 성능을 결정합니다 - 필요한 경우에는 질의를 재구성합니다.

4. VideoRAG → ‘VideoRAG: Retrieval-Augmented Generation over Video Corpus’
   그래프 기반 텍스트 그라운딩, 그리고 멀티모달 컨텍스트 인코딩을 통합하는 이중의 채널 아키텍처를 사용해서, 길이의 제한 없이 비디오를 처리할 수 있습니다.

5. CFT-RAG → ‘CFT-RAG: An Entity Tree Based Retrieval Augmented Generation Algorithm with Cuckoo Filter’
   Tree-RAG 가속화 기법은 개선된 Cuckoo 필터를 사용해서 ‘엔티티 지역화’를 최적화, 더 빠른 검색을 가능하게 합니다.

6. Contextualized Graph RAG (CG-RAG) → ‘CG-RAG: Research Question Answering by Citation Graph Retrieval-Augmented LLMs’
   LeSeGR (Lexical-Semantic Graph Retrieval, 어휘-의미 그래프 검색)을 사용해서 그래프 구조 내의 희소 신호와 밀집 신호를 통합하고 인용 관계를 포착합니다.

7. GFM-RAG → ‘GFM-RAG: Graph Foundation Model for Retrieval Augmented Generation’
   그래프 신경망을 사용해서 질의-지식 간 연결을 개선해 주는 그래프 기반 모델입니다.

8. URAG → ‘URAG: Implementing a Unified Hybrid RAG for Precise Answers in University Admission Chatbots — A Case Study at HCMUT’
   교육용 챗봇을 위해서 규칙 기반 기법과 RAG 기법을 결합한 하이브리드 시스템입니다.

*읽어주셔서 감사합니다. 재미있게 보셨다면 친구와 동료 분들에게도 뉴스레터를 추천해 주세요.