Core Concepts
검색 보조 생성(RAG)이 미세 조정(FN)보다 AI 기반 지식 시스템 구축에 더 효과적이며, RAG는 생성된 텍스트의 신뢰성이 높고 확장이 용이한 반면 FN은 창의성이 더 뛰어나다.
Abstract
이 연구는 AI 기반 지식 시스템 구축을 위한 두 가지 주요 기법인 검색 보조 생성(RAG)과 미세 조정(FN)의 성능을 비교 분석하였다.
데이터 준비 단계에서 연구진은 도시 모니터링, 옥수수 재배, COVID-19 관련 데이터셋을 구축하였다. 이를 활용하여 GPT-J-6B, OPT-6.7B, LlaMA, LlaMA-2 모델을 대상으로 ROUGE, BLEU, METEOR, 코사인 유사도 지표로 성능을 측정하였다.
분석 결과, RAG 기반 모델이 FN 모델보다 전반적으로 우수한 성능을 보였다. RAG는 생성된 텍스트의 신뢰성이 높고 확장이 용이한 반면, FN은 창의성이 더 뛰어난 것으로 나타났다. 또한 FN과 RAG를 결합하는 것은 복잡하며 성능 향상으로 이어지지 않는 것으로 확인되었다.
연구진은 RAG 기반 아키텍처를 제안하였으며, 이는 FN 모델 대비 ROUGE 16%, BLEU 15%, 코사인 유사도 53% 향상된 성능을 보였다. 이는 RAG가 FN에 비해 생성 텍스트의 신뢰성 측면에서 큰 장점을 가지고 있음을 시사한다.
Stats
RAG 기반 모델은 FN 모델 대비 ROUGE 지표에서 16% 향상된 성능을 보였다.
RAG 기반 모델은 FN 모델 대비 BLEU 지표에서 15% 향상된 성능을 보였다.
RAG 기반 모델은 FN 모델 대비 코사인 유사도 지표에서 53% 향상된 성능을 보였다.
Quotes
"RAG는 생성된 텍스트의 신뢰성이 높고 확장이 용이한 반면, FN은 창의성이 더 뛰어나다."
"FN과 RAG를 결합하는 것은 복잡하며 성능 향상으로 이어지지 않는 것으로 확인되었다."