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

5.2 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

Reranking

📌 한 줄 통찰 (The Karpathy Summary)

"검색의 2차 면접: 빠른 1차 검색(Retriever)으로 선별된 수많은 후보 문서 중, 고성능 모델을 사용하여 사용자의 질문에 가장 적합한 소수의 정답 후보를 매우 정밀하게 다시 정렬하는 품질 최적화 단계."

📖 구조화된 지식 (Synthesized Content)

재순위화(Reranking)는 정보 검색 시스템에서 검색 결과의 정확도를 높이기 위해 수행하는 두 번째 랭킹 단계입니다.

왜 재순위화가 필요한가? (Two-stage Retrieval):
- 1단계 (Retrieval): Vector Search이나 BM25를 통해 수백만 개의 문서 중 수백 개의 후보를 아주 빠르게(Low Latency) 뽑아냅니다. 하지만 정밀도가 완벽하지 않을 수 있습니다.
- 2단계 (Reranking): 1단계에서 뽑힌 소수의 후보들만 대상으로 무겁지만 정교한 모델을 가동하여 순위를 조정합니다.
핵심 모델: Cross-Encoder:
- 질문(Query)과 문서(Document)를 하나의 쌍으로 묶어 동시에 입력받아 둘 사이의 관련성을 직접 계산합니다.
- 벡터 유사도 방식(Bi-Encoder)보다 훨씬 정밀하게 문맥적 일치도를 파악할 수 있습니다.
학습 알고리즘 (Learning to Rank (LTR)):
- Decision Tree & XGBoost, LambdaMART 등을 활용하여 사용자 클릭 데이터나 전문가 피드백을 기반으로 최적의 랭킹 모델을 훈련시킵니다.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

지연 시간 (Latency): 고성능 모델을 사용하므로 검색 속도가 느려질 수 있습니다. 따라서 랭킹 대상 문서 수를 적절히 제한(예: Top 50~100개)해야 합니다.
컴퓨팅 비용: 1단계 검색에 비해 훨씬 많은 GPU/CPU 연산 자원이 소모됩니다.
데이터 의존성: 재순위화 모델의 성능은 학습에 사용된 Judgment List의 품질과 도메인 적합성에 크게 좌우됩니다.

💻 실전 구현 코드 (Boilerplate)

Sentence Transformers 라이브러리를 사용하여 검색 결과의 순위를 다시 매기는 기초 예시입니다.

from sentence_transformers import CrossEncoder

# 1. 고성능 재순위화 모델 로드
model = CrossEncoder('cross-encoder/ms-marco-MiniLM-L-6-v2')

# 2. 1차 검색 결과 (질문 - 문서 쌍)
query = "Astra 프로젝트의 장점이 뭐야?"
candidates = [
    "Astra는 자율적으로 지식을 보강하는 엔진을 가지고 있습니다.",
    "아스트라제네카 백신은 코로나 예방에 효과적입니다.", # 오답 후보 (키워드 일치)
    "P-Reinforce 표준은 위키 구조화를 돕습니다."
]

# 3. 재순위화 점수 계산
scores = model.predict([(query, doc) for doc in candidates])

# 4. 점수 높은 순으로 결과 재정렬
reranked_results = sorted(zip(candidates, scores), key=lambda x: x[1], reverse=True)

for doc, score in reranked_results:
    print(f"Score: {score:.4f} | Content: {doc}")

🔗 지식 연결 (Graph)

기반 단계: Information Retrieval (IR), Vector Search
핵심 모델: Cross-Encoder, Learning to Rank (LTR)
활용 아키텍처: Retrieval-Augmented Generation (RAG)

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)

5.2 KiB Raw Blame History