문서를 임베딩 벡터로 바꿔 다차원 공간에 흩뿌립니다. 질문도 같은 공간의 벡터로 변환해, 방향과 거리가 비슷한 청크를 top-k로 가져와 LLM에 넘기는 구조예요.
방향과 거리값만으로 검색하는 구조라, 질문의 의미론적 맥락을 온전히 이해하지 못해 엉뚱한 문서를 인용하는 환각(Hallucination) 리스크가 존재합니다.
그래서 보통 Reranking을 덧댑니다.
---> 후보를 넓게 모은 뒤, 크로스 인코더·LLM 등으로 순서만 다시 잡아요.
Reranking은 검색이 끝난 뒤에 붙는 사후 보정입니다.
---> 그런데 Reranking이 잘 돼도 비슷한 문서를 더 잘 줄세운 것일 뿐, 왜 답인지 설명할 근거로는 부족합니다.
GraphRAG 는 —— 검색한 뒤 고치는 게 아니라, 구조·규칙이 처음부터 의미를 잡아주는 사전 보정 입니다.
우리가 만드는 건 "문서 검색기"가 아닌 "문서 추론기"입니다. 검색/재정렬로는 닿을 수 없던 지식이, 그래프에서는 가능해집니다.
위에서 정렬을 앞(구조)에서 한다는 건 단순히 빠른 게 아닙니다. 단순 재정렬(사후)로는 원리적으로 불가능한 것들이 비로소 가능해집니다.
지식 자산(Knowledge Assets)은 고정되어야 하고, 그 위에서의 추론·탐색은 열려 있어야 합니다.
결정적이어야 하는 영역
(현장 특화 비즈니스 로직)
- 설비/부품 간 인과관계
- 알람·트립으로 이어지는 파급 관계
- O&M Control Setting — 알람·세팅값·관련 태그 매핑
- 진단 결과 — 센서·룰·매뉴얼 조항까지 근거 추적
현장 전문가의 지식 자산은 결정적 형태로 구조화되어야 합니다.
전문가 지식은 그대로 반영되어야 합니다.
AI가 도와야 하는 영역
(근거에 기반한 추론)
- 원인 후보·관련 설비·센서 탐색
- 과거 유사 트립·정비 사례 비교
- SCADA·이력 패턴 분석
- 고정된 지식 자산에 대한 자연어 접근 (GraphRAG)
탄탄한 근거(Core Business Logic) 위에서 자유롭고 넓은 추론이 필요합니다.
탐색에 가한 인위적 제약은 풀어주어야 합니다.