본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
https://fastcampus.info/4n8ztzq
(~6/20) 50일의 기적 AI 환급반💫 | 패스트캠퍼스
초간단 미션! 하루 20분 공부하고 수강료 전액 환급에 AI 스킬 장착까지!
fastcampus.co.kr
수강후기
오늘 수업에서는 RAG(Retrieval Augmented Generation) 파이프라인에 대해 심도 있게 배우는 시간을 가졌습니다. 그동안 LLM이 답변할 때 종종 겪었던 환각 현상을 해결하기 위해 RAG가 필요하다는 점이 인상 깊었습니다. LLM이 최신 정보를 다루는 데 한계가 있다는 것은 알고 있었지만, 구체적으로 어떤 식으로 보완할 수 있는지 체계적으로 배울 수 있어서 정말 유익했습니다. 문서 로드, 청킹, 임베딩, 벡터 DB 저장, 검색, 프롬프트 증강, 답변 생성까지 이어지는 전체 흐름을 단계별로 살펴보니 머릿속에 체계가 한눈에 그려졌습니다.
특히 Langchain과 Langgraph의 차이점을 설명한 부분이 기억에 많이 남습니다. 그동안 Langchain만 알고 있었는데, Langgraph는 노드 간 다양한 연결과 유연한 구조 덕분에 더 동적인 RAG 파이프라인 구축이 가능하다는 점이 새로웠습니다. 실제 현업에서 빠르게 변하는 요구사항을 반영하기 위해 Langgraph가 유리할 수 있다는 설명이 실무 적용을 고민할 때 많은 도움이 될 것 같습니다.
또한 Agentic Workflow 개념도 흥미로웠습니다. 질문의 성격에 따라 데이터 소스를 결정하고, 계획적으로 하위 질문을 처리하거나, 필요시 웹 검색으로 보완하며, 심지어 스스로 반성(reflect)하고 다시 질문을 재구성하는 Self-Reflective RAG까지 다양한 방식이 존재한다는 점에서 기술의 유연성과 발전 방향을 느낄 수 있었습니다. 앞으로는 단순히 답변을 생성하는 데 그치지 않고, 그 과정 자체가 하나의 에이전트처럼 유기적으로 움직여야 한다는 메시지가 크게 와닿았습니다.
오늘 배운 내용을 바탕으로 앞으로 직접 RAG 파이프라인을 설계하고 실험하면서, 더 정확하고 신뢰할 수 있는 AI 답변 서비스를 만드는 데 도전해보고 싶습니다. 이론적으로만 알던 내용이 실습과 구체적인 구조 설명을 통해 머릿속에 확실히 정리된 느낌입니다. 특히 실무에서 '환각 현상'을 줄이고, 최신 정보를 기반으로 한 신뢰성 높은 답변을 제공하는 것이 왜 중요한지, 또 그것을 위해 어떤 기술적 접근이 필요한지 한층 더 깊게 이해할 수 있었습니다. 한마디로, 오늘 수업은 이론과 실무를 연결하는 가교 역할을 톡톡히 해주었고, 앞으로의 연구와 프로젝트 설계에 큰 영감을 주는 시간이었다고 생각합니다.
