LLMs가 문서 탐색을 인간처럼 수행하는 RAG의 새로운 접근 방식에 대해 설명합니다.
Retrieval-Augmented Generation(RAG)은 LLM과 외부 데이터 소스를 결합하여 질문-답변 챗봇을 지원합니다. 전통적인 RAG 접근 방식은 데이터를 추출하고 적절히 청크화하여 벡터 DB에 저장한 후 유사성을 기반으로 조회하는 방법입니다. 그러나 데이터가 증가함에 따라 벡터 저장 비용이 상승해 관리 부담이 커지므로, 벡터 없이 RAG를 사용하는 새로운 접근 방식이 제안됩니다. 이 방법은 인간이 데이터를 검색하는 방식을 모방하여 외부 자료를 조회하는 과정을 효율적으로 수행합니다.
Explains a new approach to RAG where LLMs navigate documents like humans without using vectors.
Retrieval-Augmented Generation (RAG) powers many question-answering chatbots by combining LLMs with external data sources. The traditional approach involves extracting data, chunking, storing in vector DBs, and performing similarity searches; however, this can become costly as data grows. A new approach called Vectorless RAG is proposed, which mimics human data retrieval methods and addresses the increasing management burdens associated with vector storage. This method enhances efficiency in navigating relevant documents.