2nd/10_Wiki/Topics/AI/Semantic-Search.md

id, category, confidence_score, tags, last_reinforced

id	category	confidence_score	tags	last_reinforced
P-REINFORCE-AUTO-SESE-001	10_Wiki/💡 Topics/AI	0.98	auto-reinforced semantic-search embedding vector-space natural-language-understanding rag	2026-04-20

Semantic-Search

📌 한 줄 통찰 (The Karpathy Summary)

"단어를 넘어 마음을 읽는 검색: 사용자가 '강아지 간식'이라고 쳤을 때, 'Puppy food'라는 단어가 들어간 문서까지 의미가 같음을 이해하고 찾아내는 지능형 탐색이자, '키워드 매칭'의 시대를 끝낸 의미의 혁명."

📖 구조화된 지식 (Synthesized Content)

시맨틱 검색(Semantic-Search)은 단순한 키워드 일치가 아닌, 검색어의 '의미'와 '맥락'을 이해하여 관련성 높은 정보를 찾는 기술입니다.

1. 구동 원리 (Vector Search):
   • 텍스트를 고차원 공간의 좌표(Embedding)로 변환. (Representation-Learning와 연결)
   • 질문과 문서 사이의 '거리(Cosine Similarity)'를 계산해 가장 가까운 의미를 도출.
   • Context Awareness: 문맥에 따라 같은 단어도 다르게 해석 (예: 배(Ship/Fruit)).
2. 왜 중요한가?:
   • 사용자는 전문가처럼 정확한 검색어를 쓰지 못할 때가 많은데, 시맨틱 검색은 개떡같이 말해도 찰떡같이 알아들어 정보 접근성을 폭발적으로 높이기 때문임. (Search의 완성형)

⚠️ 모순 및 업데이트 (Contradictions & RL Update)

• 과거 데이터와의 충돌: 과거에는 'Elasticsearch' 같은 키워드 엔진 정책이 전부였으나, 현대 정책은 벡터 데이터베이스 정책(Pinecone, Milvus 등)을 활용한 시맨틱 검색 정책이 LLM과 결합(RAG)하여 지능형 비서의 표준 정책이 됨(RL Update). (RAG와 연결)
• 정책 변화(RL Update): 본 지식 시스템 또한 향후 수천 개의 파일을 의미 정책으로 엮어, 대표님이 "생산성에 관한 지식 다 가져와"라고 하면 관련 파일들을 시맨틱하게 뽑아내는 구조 정책을 지향함.

🔗 지식 연결 (Graph)

• Representation-Learning, Search, RAG, Vector-Database, UX, Information-Society
• Modern Tech/Tools: Pinecone, Weaviate, Cohere Rerank, OpenAI Embeddings.

---