대규모 언어 모델의 신뢰성 강화를 위한 검색 증강 생성(RAG) 기반 질문 응답 시스템 설계와 성능 평가

Q: 이 논문에서 정의한 검색 증강 생성(RAG)이란 무엇인가?

검색 증강 생성(RAG)은 대규모 언어 모델(LLM)과 외부 지식 기반을 결합하여, 모델이 실시간으로 정확한 정보를 검색하고 이를 바탕으로 응답을 생성할 수 있도록 하는 기술이다. 이는 LLM의 최신 지식 반영 및 정보 신뢰성 한계를 극복하며, 사용자의 질문에 대한 정확한 답변을 제공한다.

Q: RAG 기반 질문 응답 시스템에서 GPT-3.5-Turbo와 GPT-4의 성능은 어떻게 비교되는가?

연구 결과, GPT-3.5-Turbo는 GPT-4 대비 처리 시간과 비용 면에서 훨씬 효율적이다. GPT-3.5-Turbo는 신뢰성, 응답 관련성, 문맥 정확성에서 더 우수한 성능을 보였으며, 이는 실제 운영 시스템에서 비용 절감과 성능 효율을 동시에 만족시킬 수 있음을 시사한다.

변재연; 김보경; 차경애

doi:10.9717/kmms.2025.28.4.560

추천

검색

질문

자료유형: 학술저널

저자정보: 변재연 (대구대학교) 김보경 (대구대학교) 차경애 (대구대학교)

저널정보: 한국멀티미디어학회 멀티미디어학회논문지 멀티미디어학회논문지 제28권 제4호

발행연도: 2025.4

수록면: 560 - 568 (9page)

DOI: 10.9717/kmms.2025.28.4.560

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

This study aims to overcome the limitations of Large Language Models (LLMs) and provide effective Question Answering (QA) services by designing and implementing a Retrieval-Augmented Generation (RAG)-based system. By integrating LLMs with external knowledge databases through RAG, the system enhances the accuracy of information retrieval and response generation. The system manages search histories and integrated data using SQL and vector databases, ensuring seamless data management and high reliability. LLMs leverage this integration to deliver accurate and trustworthy responses. The performance of the proposed system was evaluated using the RAGAs framework, demonstrating that the combination of GPT-3.5-Turbo and the text-embedding-ada-002 model excels in processing speed and cost efficiency.

#Retrieval-Augmented Generation(RAG) #Question-Answering System #Large Language Models(LLMs) #Retrieval-Augmented Generation Assessments(RAGAs)

참고문헌

참고문헌 신청

최근 본 자료

전체보기

UCI(KEPA) : I410-151-25-02-093074277

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)