본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
https://fastcampus.info/4n8ztzq
학습 후기
이번 강의를 들으면서 느낀 점은 단순히 RAG 기술을 넘어, 앞으로의 지식 검색과 생성이 나아갈 방향성을 한눈에 볼 수 있었다는 점입니다. 기존의 Naive RAG는 문서에서 단순히 유사한 문장을 찾아 LLM에게 넘겨주는 방식이었지만, 실제로는 너무 많은 오류와 한계가 존재한다는 문제를 자주 경험했습니다. 이를 해결하기 위해 Modular RAG와 Agentic RAG, 나아가 KAG와 CAG까지 다양한 진화형 기술들이 개발되고 있다는 사실은 매우 인상 깊었습니다.
특히 Modular RAG는 질문을 더 구체화하고, 문서 구조를 더 잘 파악하며, 다양한 모듈을 조합해 성능을 극대화하려는 시도가 인상적이었습니다. 단순한 검색 단계를 넘어서 사용자의 질문을 세분화하고, 필요한 경우 여러 모듈을 거쳐 최종적으로 보다 정확하고 신뢰할 수 있는 답변을 생성한다는 개념은 앞으로 실제 서비스 개발에 많은 영감을 줄 수 있을 것 같습니다.
Agentic RAG의 경우 LLM의 지능적인 의사결정을 강조하며, 여러 에이전트를 활용해 다학제적 질문에도 유연하게 대응할 수 있다는 점이 특히 흥미로웠습니다. 이는 인간의 전문가 집단과 비슷한 개념으로, AI가 단순히 정보를 전달하는 수준을 넘어 실제로 ‘사고’하는 단계로 나아가고 있다는 느낌을 받았습니다.
또한 KAG와 CAG는 기존 Vector DB 기반의 한계를 극복하고자 하는 과감한 시도로, 미리 캐시에 정보를 저장하거나 Knowledge Graph를 통해 더 깊은 의미 기반 답변을 생성한다는 점에서 매우 혁신적이라고 생각했습니다. 특히 의료, 법률, 제약 등 신뢰성과 정확성이 중요한 분야에서 이러한 방식들이 큰 파급력을 가질 수 있을 것이라 확신합니다.
이번 강의는 단순히 기술적 내용 전달을 넘어서, AI 응용 시스템을 설계할 때 고려해야 할 철학과 비전을 함께 제시한 느낌이었습니다. 앞으로 RAG를 기반으로 다양한 시스템을 설계할 때 단순 성능 지표만 보는 것이 아니라, 질문 구조화, 맥락 이해, 의미 기반 검색과 같은 고차원적인 요소까지 통합적으로 고민할 필요가 있다는 점을 다시 한번 느꼈습니다. 매우 유익하고 영감을 주는 시간이었습니다.
