2nd/10_Wiki/Topics/AI_and_ML/Semantic Search.md

---

id: P-Reinforce-AUTO-SMS-001 category: AI_and_ML confidence_score: 1.00 tags: [auto-reinforced, semantic-search, vector-search, nlp, bert, llm] last_reinforced: 2026-05-04

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.

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 Embedding으로 변환하여 수학적 거리 기반의 Vector Search를 수행합니다.

2. 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.

3. 이점 (Benefits):

   • 동의어 및 유의어 처리 능력이 탁월합니다.
   • 자연어 형태의 긴 질문(Long-tail Query)에 매우 강합니다.
   • 오타나 부정확한 표현에도 유연하게 대처합니다.

⚖️ Trade-offs & Caveats

• 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