LLM을 활용한 검색 증강 생성(RAG) 모델 구현: 래피드마이너 기반으로

• 영문명: Implementation of Retrieval Augmented Generation (RAG) Model Using LLM: A RapidMiner-Based Approach
• 발행기관: 한국스마트미디어학회
• 저자명: 양치복(Chi Bok Yang) Yang Sok Kim
• 간행물 정보: 『스마트미디어저널』제14권 제2호, 34~42쪽, 전체 9쪽
• 주제분류: 공학 > 컴퓨터학
• 파일형태: PDF
• 발행일자: 2025.02.28

국문 초록

LLMs을 기반으로 하는 생성형 AI기술은 기존의 한계를 극복하기 위하여 많이 되고 있다. 특히, RAG는 최신 정보나 학습되지 않은 특정 도메인 지식을 활용하여 LLMs의 환각 현상을 줄일 수 있어 생성형 AI 서비스에서 주목받고 있는 방법이다. 하지만, 대부분 연구에서는 프로그래밍 기반으로 구축하는 방법을 제안하고 있다. 본 연구에서는 래피드마이너를 이용하여 프로그래밍 지식이 없어도 RAG 아키텍처를 구축하는 방법을 제시한다. Qdrant 벡터 데이터베이스를 활용하여 임베딩을 저장한 후, 검색하는 과정을 설명하고, OpenAI API를 통하여 검색된 문서를 바탕으로 질의응답을 생성하는 구체적인 방법을 소개한다. 또한, 실제 질문을 하고, RAG 답변 결과를 제공하여 실제 적용 가능성을 확인하였다. GUI 기반의 래피드마이너를 통한 RAG 구현 방법을 제공함으로써, LLMs을 활용한 생성형 AI 서비스를 보다 직관적이고 신속하게 개발할 수 있음을 제시한다.

영문 초록

Generative AI technology, driven by Large Language Models (LLMs), is being increasingly utilized to overcome existing limitations. Retrieval-Augmented Generation (RAG) has emerged as an effective approach to reduce hallucination in LLMs by leveraging up-to-date and domain-specific knowledge beyond training data. However, most studies propose programming-based implementations. This research introduces a GUI-based RAG framework using RapidMiner, to construct RAG systems without programming proficiency. The methodology includes storing and retrieving embeddings with the Qdrant vector database and generating question-and-answer pairs via the OpenAI API. Practical demonstrations confirm the system’s effectiveness in real-world scenarios, offering a simpler and more efficient method for developing generative AI services with LLMs.

목차

Ⅰ. 서론

Ⅱ. 이론적 배경

Ⅲ. 연구 방법

Ⅳ. 시스템 구현

Ⅴ. 결론

REFERENCES

키워드

색증강생성 대형 언어 모델 생성형 인공지능 래피드마이너 Retrieval Augmented Generation Large Language Model Generative Artificial IntelligenceI RapidMiner