다중 Agent와 반복적 답변 생성·평가 기법을 적용한 사규 검색용 Self-Corrective RAG 시스템 연구

Q: 이 논문에서 정의한 Self-Corrective RAG이란 무엇인가?

Self-Corrective RAG은 다중 오픈소스 LLM을 활용하여 답변을 생성하고, 단답형 채점 방식으로 정량적으로 평가하여 결과에 따라 사용자 질의 재작성 및 답변 생성을 반복함으로써 최적의 답변을 도출하는 시스템이다. 이는 기존 RAG 시스템의 답변 품질 및 성능 한계를 극복하고 효율성을 높이는 방법이다.

Q: 제안하는 Self-Corrective RAG 시스템은 기존 RAG 시스템 대비 어떤 강점을 가지는가?

연구 결과, 제안하는 Self-Corrective RAG 시스템은 다중 오픈소스 LLM을 활용한 반복적인 생성 및 평가 과정을 통해 사규 질의에 대한 답변 품질을 크게 향상시킨다. 또한, 단 1회 답변 생성으로도 최적의 답변을 도출할 수 있어 계산 비용을 최소화하며 효율성을 높이는 강점이 있다.

정진철; 김대호; 정유철

추천

검색

질문

자료유형: 학술대회자료

저자정보: 정진철 (국립금오공과대학교) 김대호 (한국전력기술) 정유철 (국립금오공과대학교)

저널정보: 한국정보기술학회 Proceedings of KIIT Conference 한국정보기술학회 2024년도 추계종합학술대회 및 대학생논문경진대회

발행연도: 2024.11

수록면: 588 - 591 (4page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

본 연구는 회사 내 복잡하고 빈번하게 개정되는 규정을 효율적으로 검색하고 신뢰성 있는 답변을 제공하기 위한 Retrieval Augmented Generation(RAG) 시스템을 제안한다. 전통적인 키워드 기반 검색의 한계를 극복하기 위해 LLM(Large Language Model)을 활용한 자연어 질의응답 방식이 주목받고 있으나, 외부의 상용 LLM을 활용하기에는 내부 민감 정보 유출, 망분리 문제, 높은 API 비용 등의 문제가 있다. 이에 따라 오픈소스 LLM을 활용한 Private RAG 시스템 구축이 필요하지만, 답변의 품질이나 성능의 한계가 존재한다. 본 연구에서는 다중 오픈 소스 LLM을 활용하여 답변을 생성하고, 단답형 채점 방식으로 정량적으로 답변을 평가하여 결과에 따라 사용자질의 재작성, 답변 생성을 반복하여 최적의 답변을 도출하는 Self-Corrective RAG 시스템을 구축하였다. 실험 결과, 제안 시스템은 회사 규정과 같은 복잡한 문서를 효과적으로 검색하고 정확한 답변을 제공함을 확인하였다.

#RAG #Self-Corrective RAG #Multi-Agent #Iterative #Open-source LLM #Evaluate #Regulation

참고문헌

참고문헌 신청

최근 본 자료

전체보기

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)