Files

T

koriweb 5ba5a55c78 feat: Wiki 지식 자산 업데이트 - UX Scenarios, Frontend, Game Design, Topics 추가 [2026-05-08]

2026-05-08 19:52:07 +09:00

5.3 KiB

Raw Blame History

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by, tech_stack

title

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."

📖 구조화된 지식 (Synthesized Content)

의미론적 검색(Semantic Search)은 자연어 처리(NLP)와 머신러닝 알고리즘을 활용하여 단어 간의 관계와 질문의 의도를 파악하는 검색 방식입니다.

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 Embedding으로 변환하여 수학적 거리 기반의 Vector Search를 수행합니다.
핵심 기술:
- 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.
이점 (Benefits):
- 동의어 및 유의어 처리 능력이 탁월합니다.
- 자연어 형태의 긴 질문(Long-tail Query)에 매우 강합니다.
- 오타나 부정확한 표현에도 유연하게 대처합니다.

⚠️ 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.

💻 실전 구현 코드 (Boilerplate)

sentence-transformers를 활용하여 의미론적 유사도를 기반으로 검색을 수행하는 기초 예시입니다.

from sentence_transformers import SentenceTransformer, util

# 1. 모델 로드 (다국어 지원)
model = SentenceTransformer('jhgan/ko-sroberta-multilingual')

# 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)

# 3. 사용자 질의 처리
query = "나의 지식을 외부로 유출하지 않고 AI를 사용하고 싶어."
query_embedding = model.encode(query)

# 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})")

🔗 지식 연결 (Graph)

상위 개념: Information Retrieval (IR), Natural Language Processing (NLP)
기반 기술: Vector Embedding, Vector Search, BERT
보완 기술: Hybrid Search (Keyword + Semantic)

Last updated: 2026-05-04

🤖 LLM 활용 힌트 (How to Use This Knowledge)

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)

# TODO

🤔 의사결정 기준 (Decision Criteria)

선택 A를 써야 할 때:

(TODO)

선택 B를 써야 할 때:

(TODO)

기본값:

(TODO)

❌ 안티패턴 (Anti-Patterns)

[안티패턴]: (TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)

5.3 KiB Raw Blame History