[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,133 +1,232 @@
|
||||
---
|
||||
id: wiki-2026-0508-semantic-search
|
||||
title: Semantic Search
|
||||
category: AI_and_ML
|
||||
status: needs_review
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-SMS-001]
|
||||
aliases: [Vector Search, Dense Retrieval, Neural Search, Semantic Search with AI]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [auto-reinforced, semantic-search, vector-search, nlp, bert, llm]
|
||||
confidence_score: 0.93
|
||||
verification_status: applied
|
||||
tags: [search, retrieval, embeddings, vector-db, rag]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-04
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: python
|
||||
framework: faiss
|
||||
---
|
||||
|
||||
# [[Semantic Search|Semantic Search]]
|
||||
# Semantic Search
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "단어를 넘어선 의도의 검색: 사용자가 입력한 키워드의 단순 일치 여부가 아니라, 그 뒤에 숨겨진 '의미(Semantics)'와 '문맥(Context)'을 이해하여 가장 적합한 정보를 찾아내는 차세대 검색 기술."
|
||||
## 매 한 줄
|
||||
> **"매 query → embedding → ANN nearest neighbors in vector space"**. 매 BM25 매 lexical 한계를 dense retrieval (DPR, ColBERT) 매 극복. 매 2026 production: hybrid (BM25 + dense + reranker), 매 모범: OpenAI text-embedding-3-large, Cohere v3, Voyage-3, BGE-M3, Jina-v3.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
의미론적 검색(Semantic Search)은 자연어 처리(NLP)와 머신러닝 알고리즘을 활용하여 단어 간의 관계와 질문의 의도를 파악하는 검색 방식입니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **동작 원리 (How it works)**:
|
||||
* **의도 파악 (Intent Recognition)**: 질문이 정보를 찾는 것인지, 구매를 위한 것인지, 특정 사이트로 이동하려는 것인지 분석합니다.
|
||||
* **문맥 이해 (Contextual Awareness)**: '사과'가 과일인지 브랜드인지 주변 단어를 통해 판단합니다.
|
||||
* **벡터 변환**: 질문과 문서를 [[Vector Embedding|Vector Embedding]]으로 변환하여 수학적 거리 기반의 [[Vector Search|Vector Search]]를 수행합니다.
|
||||
### 매 Pipeline
|
||||
1. **Index time**: doc → chunk → embed → vector DB.
|
||||
2. **Query time**: query → embed → ANN search → (rerank) → results.
|
||||
3. **Hybrid**: BM25 score + dense score → RRF or weighted.
|
||||
4. **Rerank**: cross-encoder on top-100 → top-10 (Cohere Rerank, BGE-Reranker).
|
||||
|
||||
2. **핵심 기술**:
|
||||
* **[[BERT|BERT]] / Transformer**: 양방향 문맥 이해를 가능하게 하여 검색 품질을 혁신한 딥러닝 모델입니다.
|
||||
* **Knowledge Graph**: 엔티티(인물, 장소, 개념 등) 간의 관계를 구조화하여 지능적인 답변을 제공합니다.
|
||||
* **Dense Retrieval**: 키워드 매칭이 아닌 벡터 공간에서의 근접성 검색을 수행합니다.
|
||||
### 매 Embedding models (2026)
|
||||
- **OpenAI text-embedding-3-large** (3072d, MRL truncatable).
|
||||
- **Cohere embed-v3** (multilingual, dot-product).
|
||||
- **Voyage-3** (state-of-art retrieval).
|
||||
- **BGE-M3** (open, multi-vector, sparse+dense).
|
||||
- **Jina-v3** (8k context, MRL).
|
||||
- **NV-Embed-v2** (NVIDIA, MTEB top).
|
||||
|
||||
3. **이점 (Benefits)**:
|
||||
* 동의어 및 유의어 처리 능력이 탁월합니다.
|
||||
* 자연어 형태의 긴 질문(Long-tail Query)에 매우 강합니다.
|
||||
* 오타나 부정확한 표현에도 유연하게 대처합니다.
|
||||
### 매 ANN algorithms
|
||||
- **HNSW** (graph): 매 default, fast, high recall.
|
||||
- **IVF-PQ** (Faiss): 매 huge scale, compressed.
|
||||
- **DiskANN**: 매 on-disk billion-scale.
|
||||
- **ScaNN** (Google): 매 best at fixed memory.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
* **컴퓨팅 비용**: 딥러닝 모델 추론과 벡터 연산으로 인해 전통적 검색보다 훨씬 많은 연산 자원이 필요합니다.
|
||||
* **고유 명사 취약성**: 제품 시리얼 번호나 특수 코드와 같은 '정확한 일치'가 필요한 데이터에서는 오히려 성능이 떨어질 수 있습니다.
|
||||
* **블랙박스 문제**: 특정 결과가 왜 상단에 노출되었는지 논리적으로 설명하기 어렵습니다.
|
||||
### 매 Vector DBs
|
||||
- **Pinecone** (managed).
|
||||
- **Weaviate** (open + hybrid built-in).
|
||||
- **Qdrant** (Rust, fast).
|
||||
- **Milvus** (large-scale).
|
||||
- **pgvector** (Postgres).
|
||||
- **LanceDB** (embedded, columnar).
|
||||
- **Turbopuffer** (serverless 2024+).
|
||||
|
||||
## 💻 실전 구현 코드 (Boilerplate)
|
||||
`sentence-transformers`를 활용하여 의미론적 유사도를 기반으로 검색을 수행하는 기초 예시입니다.
|
||||
### 매 응용
|
||||
1. RAG knowledge retrieval.
|
||||
2. Code search (Cursor, Sourcegraph).
|
||||
3. E-commerce / product search.
|
||||
4. Multimodal (CLIP image+text).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Basic dense retrieval
|
||||
```python
|
||||
from sentence_transformers import SentenceTransformer, util
|
||||
from openai import OpenAI
|
||||
import numpy as np
|
||||
import faiss
|
||||
|
||||
# 1. 모델 로드 (다국어 지원)
|
||||
model = SentenceTransformer('jhgan/ko-sroberta-multilingual')
|
||||
client = OpenAI()
|
||||
|
||||
# 2. 지식 베이스 정의
|
||||
docs = [
|
||||
"인공지능 에이전트는 자율적으로 작업을 수행합니다.",
|
||||
"로컬 LLM은 데이터 프라이버시 보호에 유리합니다.",
|
||||
"옵시디언은 강력한 노트 연결 기능을 제공합니다."
|
||||
]
|
||||
doc_embeddings = model.encode(docs)
|
||||
def embed(texts):
|
||||
r = client.embeddings.create(model="text-embedding-3-large", input=texts)
|
||||
return np.array([d.embedding for d in r.data], dtype="float32")
|
||||
|
||||
# 3. 사용자 질의 처리
|
||||
query = "나의 지식을 외부로 유출하지 않고 AI를 사용하고 싶어."
|
||||
query_embedding = model.encode(query)
|
||||
docs = ["Doc 1 text...", "Doc 2 text...", "..."]
|
||||
doc_vecs = embed(docs)
|
||||
index = faiss.IndexHNSWFlat(3072, 32)
|
||||
faiss.normalize_L2(doc_vecs)
|
||||
index.add(doc_vecs)
|
||||
|
||||
# 4. 의미론적 유사도 검색
|
||||
hits = util.semantic_search(query_embedding, doc_embeddings, top_k=1)
|
||||
best_idx = hits[0][0]['corpus_id']
|
||||
|
||||
print(f"Query: {query}")
|
||||
print(f"Top Semantic Result: {docs[best_idx]} (Score: {hits[0][0]['score']:.4f})")
|
||||
q_vec = embed(["What is X?"])
|
||||
faiss.normalize_L2(q_vec)
|
||||
D, I = index.search(q_vec, 10)
|
||||
print([docs[i] for i in I[0]])
|
||||
```
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
* **상위 개념**: [[Information Retrieval (IR)|Information Retrieval (IR)]], [[Natural Language Processing (NLP)|NLP]]
|
||||
* **기반 기술**: [[Vector Embedding|Vector Embedding]], [[Vector Search|Vector Search]], [[BERT|BERT]]
|
||||
* **보완 기술**: [[Hybrid Search|Hybrid Search]] (Keyword + Semantic)
|
||||
### Hybrid (BM25 + dense) with RRF
|
||||
```python
|
||||
from rank_bm25 import BM25Okapi
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-04*
|
||||
bm25 = BM25Okapi([d.split() for d in docs])
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
def rrf(rankings, k=60):
|
||||
scores = {}
|
||||
for ranking in rankings:
|
||||
for rank, doc_id in enumerate(ranking):
|
||||
scores[doc_id] = scores.get(doc_id, 0) + 1 / (k + rank)
|
||||
return sorted(scores.items(), key=lambda x: -x[1])
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
def hybrid_search(query, k=10):
|
||||
bm25_top = np.argsort(-bm25.get_scores(query.split()))[:50]
|
||||
q_vec = embed([query]); faiss.normalize_L2(q_vec)
|
||||
_, dense_top = index.search(q_vec, 50)
|
||||
fused = rrf([bm25_top.tolist(), dense_top[0].tolist()])
|
||||
return [docs[i] for i, _ in fused[:k]]
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Cross-encoder reranking
|
||||
```python
|
||||
import cohere
|
||||
co = cohere.Client()
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
def rerank(query, candidates, top_n=10):
|
||||
r = co.rerank(query=query, documents=candidates,
|
||||
model="rerank-english-v3.0", top_n=top_n)
|
||||
return [candidates[res.index] for res in r.results]
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Chunking with overlap
|
||||
```python
|
||||
def chunk_text(text, size=500, overlap=50):
|
||||
words = text.split()
|
||||
chunks = []
|
||||
for i in range(0, len(words), size - overlap):
|
||||
chunk = " ".join(words[i:i+size])
|
||||
chunks.append(chunk)
|
||||
return chunks
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
# 매 better: 매 semantic chunker (매 paragraph + heading aware)
|
||||
from langchain.text_splitter import RecursiveCharacterTextSplitter
|
||||
splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50,
|
||||
separators=["\n\n", "\n", ". ", " "])
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### MRL truncation (Matryoshka)
|
||||
```python
|
||||
# text-embedding-3-large: 3072d, truncatable to 256/512/1024
|
||||
def embed_mrl(text, dim=512):
|
||||
full = embed([text])[0]
|
||||
truncated = full[:dim]
|
||||
return truncated / np.linalg.norm(truncated)
|
||||
# 매 6× memory savings, 매 ~95% recall.
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### ColBERT (multi-vector late interaction)
|
||||
```python
|
||||
from colbert.modeling.colbert import ColBERT
|
||||
|
||||
# 매 token-level vectors per query+doc; 매 max-sim per query token then sum.
|
||||
def colbert_score(query_vecs, doc_vecs):
|
||||
# query_vecs: [Q, d], doc_vecs: [D, d]
|
||||
sim = query_vecs @ doc_vecs.T # [Q, D]
|
||||
return sim.max(axis=1).sum() # 매 sum of per-token max
|
||||
```
|
||||
|
||||
### pgvector hybrid (production)
|
||||
```sql
|
||||
CREATE TABLE docs (id bigserial, content text, embedding vector(1536),
|
||||
tsv tsvector GENERATED ALWAYS AS (to_tsvector('english', content)) STORED);
|
||||
CREATE INDEX ON docs USING hnsw (embedding vector_cosine_ops);
|
||||
CREATE INDEX ON docs USING gin (tsv);
|
||||
|
||||
-- Hybrid query
|
||||
WITH dense AS (
|
||||
SELECT id, 1 - (embedding <=> $1) AS score FROM docs ORDER BY embedding <=> $1 LIMIT 50
|
||||
), sparse AS (
|
||||
SELECT id, ts_rank_cd(tsv, websearch_to_tsquery($2)) AS score
|
||||
FROM docs WHERE tsv @@ websearch_to_tsquery($2) LIMIT 50
|
||||
)
|
||||
SELECT id, COALESCE(d.score, 0) * 0.7 + COALESCE(s.score, 0) * 0.3 AS score
|
||||
FROM dense d FULL OUTER JOIN sparse s USING (id)
|
||||
ORDER BY score DESC LIMIT 10;
|
||||
```
|
||||
|
||||
### Multimodal CLIP search
|
||||
```python
|
||||
import torch
|
||||
from transformers import CLIPModel, CLIPProcessor
|
||||
|
||||
model = CLIPModel.from_pretrained("openai/clip-vit-large-patch14")
|
||||
proc = CLIPProcessor.from_pretrained("openai/clip-vit-large-patch14")
|
||||
|
||||
def embed_image(img):
|
||||
with torch.no_grad():
|
||||
return model.get_image_features(**proc(images=img, return_tensors="pt"))
|
||||
|
||||
def embed_text(t):
|
||||
with torch.no_grad():
|
||||
return model.get_text_features(**proc(text=t, return_tensors="pt"))
|
||||
# 매 same vector space → cross-modal search.
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Quick prototype | 매 OpenAI embeddings + Faiss/LanceDB |
|
||||
| Production RAG | 매 hybrid (BM25 + dense) + Cohere rerank |
|
||||
| Self-host open | 매 BGE-M3 + Qdrant + BGE-reranker |
|
||||
| Multilingual | 매 BGE-M3, Cohere multilingual, embed-v4 |
|
||||
| Code search | 매 Voyage-code-3 또는 jina-code-v2 |
|
||||
| Multimodal | 매 CLIP / SigLIP / Jina-CLIP |
|
||||
|
||||
**기본값**: 매 production RAG → hybrid (BM25 + dense) + cross-encoder rerank.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Information Retrieval]] · [[Embeddings]]
|
||||
- 변형: [[Dense Retrieval]] · [[Sparse Retrieval]] · [[Hybrid Search]] · [[ColBERT]]
|
||||
- 응용: [[RAG]] · [[Code Search]] · [[Recommender Systems]]
|
||||
- Adjacent: [[Vector Database]] · [[BM25]] · [[Cross-Encoder Reranking]] · [[CLIP]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 RAG retrieval, 매 semantic deduplication, 매 cross-lingual search, 매 recommendation.
|
||||
**언제 X**: 매 exact-match (use BM25), 매 small corpus (<1k docs — 매 LLM-direct 가 simpler), 매 high-precision regex needs.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Dense-only**: 매 BM25 매 still wins on rare terms / proper nouns — 매 hybrid.
|
||||
- **No reranker**: 매 top-10 quality 매 leaves 30% on table.
|
||||
- **Bad chunking**: 매 fixed-size mid-sentence — 매 use semantic / heading-aware.
|
||||
- **No metadata filter**: 매 hybrid filter (date/source) before vector search.
|
||||
- **Cosine without normalize**: 매 silent bug — 매 always normalize L2.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Karpukhin DPR 2020, Khattab ColBERT 2020, MTEB benchmark, Cohere Rerank docs).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — hybrid, MRL, ColBERT, pgvector, multimodal |
|
||||
|
||||
Reference in New Issue
Block a user