Topic #3: Graph RAG은 무엇인가?

AI 관련 뉴스나 논의의 한쪽 극단에는 ‘AI가 가져올 종말’이라든가 ‘AI가 인간을 대체할 거다’라는 등 비관적이긴 하지만 AI의 능력을 지나치게 과대평가하는 이야기가 있지만, 실제로는 가장 발전된 언어모델조차도 사물의 복잡한 관계성을 이해해서 추론해 내고 결론을 도출하는데 어려움을 겪는 경우가 부지기수인데요. 게다가 LLM을 현실에 적용하는데는 트레이닝이나 파인튜닝 등에 비용이 꽤나 많이 든다는 점도 LLM 도입에 고민이 되는 또 하나의 지점일 겁니다.

LLM 어플리케이션의 ‘사실상 표준 (de facto Standard)’ 아키텍처 중 하나라고 할 수 있는 RAG (영문 아티클)의 최신 확장판 쯤이라고 할 수 있을, Graph RAG (Retrieval Augmented Generation)은 위 두 가지 문제 - 사물의 관계성을 기반으로 한 추론, 그리고 비용 - 를 비교적 덜어내 주는 방식이라고 할 수 있을 텐데요. AI 기술자가 아니라 하더라도 Graph RAG (RAG 도 같이요)에 대한 내용을 알아두신다면 좋을 것 같습니다. 한 번 같이 살펴볼까요?

오늘 에피소드에서는 아래의 내용을 다뤄보겠습니다:

• 원래의 RAG - 기본 먼저 알아봅시다

• RAG도 완벽하지는 않죠 - RAG의 한계

• Graph RAG이 등장하다

• Graph RAG이 주는 이점을 정리하면 뭔가요?

• 용어 정리 한 번: ‘Graph RAG’과 ‘Knowledge Graph RAG’

• 보너스