검색 증강 생성(RAG)은 생성형 인공지능의 인기 있는 프레임워크로, 생성 과정에서 관련성 높은 최신 정보를 통합하여 대규모 언어 모델(LLM)의 기능을 강화하는 기술입니다. 이 접근 방식을 통해 LLM은 사전 학습된 지식을 최신 도메인 특화 데이터로 보완할 수 있습니다. RAG는 상당한 비용과 시간이 소요되는 방식으로 전체 모델을 미세 조정하거나 재학습하지 않고도 특정 사용 사례에 맞게 LLM을 맞춤화할 수 있는 비용 효율적인 솔루션입니다.
더 지능적인 AI를 위한 검색 증강 생성
검색 증강 생성을 활용하면 조직은 비용이 많이 드는 맞춤형 학습 모델 없이도 범용 대규모 언어 모델을 특화된 애플리케이션에 활용할 수 있습니다. RAG는 쿼리를 최신 도메인 특화 정보로 보강하여 생성 기능을 개선함으로써 이러한 모델의 근본적인 한계를 직접 해결합니다. 이를 통해 조직은 원래 모델 학습에 포함되지 않은 실시간 정보, 독점 데이터 세트 및 전문 문서를 통합할 수 있습니다. RAG는 응답과 함께 근거를 투명하게 제공하여 신뢰성을 높이고 환각 현상의 위험을 줄입니다.
대규모 언어 모델이란?
대규모 언어 모델(LLM)은 인간과 유사한 텍스트를 이해하고 생성하도록 설계된 인공지능의 한 형태입니다. LLM은 자연어 처리(NLP)의 고급 애플리케이션이며 방대한 양의 학습 데이터에서 패턴, 구조 및 문법을 학습하여 사용자 질의에 일관된 응답을 생성할 수 있습니다. LLM의 강점은 특정 작업에 대한 학습 없이도 다양한 언어 생성 작업을 수행할 수 있는 능력에 있습니다. 이는 LLM을 챗봇, 번역, 콘텐츠 생성 및 요약과 같은 애플리케이션에 활용할 수 있는 다재다능한 도구로 만들어줍니다.
대규모 언어 모델의 한계
대규모 언어 모델은 방대한 학습 데이터 세트를 분석하여 학습하는 복잡한 신경망입니다. 이러한 모델은 상당한 컴퓨팅 리소스를 필요로 하여 개발에 과도한 비용과 시간이 소요됩니다. 게다가 맞춤형 LLM을 호스팅하고 유지하는 데 필요한 전용 인프라는 상당한 재정적 장벽을 만들어 리소스가 풍부하고 기술적 투자 역량이 충분한 조직만이 접근할 수 있도록 제한합니다.
LLM은 과거의 콘텐츠에 대한 질문에 답변하는 데 뛰어나지만 학습 데이터의 한계로 인해 지식이 제약됩니다. 이로 인해 최신 지식이 필요한 쿼리에는 그다지 효과적이지 않습니다. 모델을 재훈련하지 않는 한 최근 이벤트에 대한 쿼리에 답할 수 없기 때문입니다.
마찬가지로 LLM은 기본적으로 특정 조직의 고유한 내부 회사 문서나 도메인 특화 데이터 세트에 대한 질문을 처리할 수 없습니다. 이러한 제한은 심층적이고 특화된 지식이 필요한 AI 기술을 활용하려는 기업에게 상당한 도전 과제를 만듭니다.
LLM의 이러한 한계는 또 다른 문제점인 '환각' 현상을 부각시킵니다. 검증 가능한 정보가 없으면 언어 모델은 신뢰할 만하고 그럴듯하게 들리지만 완전히 허구인 응답을 생성할 수 있습니다. 설득력 있지만 잘못된 정보를 생성하는 경향은 정확성과 신뢰성이 요구되는 애플리케이션에 상당한 위험을 초래합니다.
검색 증강 생성의 이점
RAG는 비교적 단순한 아키텍처와 상당한 성능 개선으로 인해 인기를 얻고 있습니다.
비용 효율적
RAG는 조직이 맞춤형 모델 개발 비용 없이 범용 사전 학습 모델을 특화된 애플리케이션에 활용할 수 있도록 합니다. 효과적인 정보 검색은 토큰 단위로 과금되는 LLM을 최적화하기 위해 필요한 정보만 포함하도록 함으로써 API 비용을 절감합니다.
도메인 맞춤화
RAG를 통해 조직은 전문 지식 라이브러리를 통합하여 사전 학습 모델을 특정 도메인에 맞게 조정할 수 있습니다. 이를 통해 모델은 맞춤형 모델 학습 없이도 독점 자료나 업계 특화 문서에 대한 응답을 생성할 수 있습니다. 미세 조정은 비슷한 이점을 제공할 수 있지만 과도한 시간, 비용 및 유지 관리가 필요합니다.
실시간 인사이트
RAG는 외부 소스로부터 최신 데이터를 동적으로 검색하여 대규모 언어 모델이 최신 정보를 활용한 응답을 생성할 수 있도록 합니다. 이는 정적 훈련 데이터 세트의 지식 한계를 극복하여 모델이 최근 이벤트와 새로운 트렌드에 대한 인사이트를 제공할 수 있게 합니다.
투명성
RAG는 생성된 콘텐츠에 대한 출처 인용 및 근거 자료를 제공하여 AI 응답의 신뢰성을 높입니다. RAG는 각 응답을 지식 기반의 특정 소스에 연결하여 사용자가 정보의 출처와 정확성을 검증할 수 있게 함으로써 환각 현상의 위험을 줄이고 AI 생성 결과에 대한 신뢰를 구축합니다.
적응성
RAG의 주요 장점 중 하나는 최신 첨단 모델에 쉽게 적응할 수 있는 기능입니다. 언어 모델이나 검색 기술이 발전함에 따라 조직은 전체 시스템을 대대적으로 수정하지 않고도 새로운 모델로 교체하거나 검색 전략을 변경할 수 있습니다. 이러한 유연성은 RAG 시스템이 최첨단 기술을 지속적으로 반영할 수 있도록 보장합니다.
검색 증강 생성(RAG)의 작동 원리
RAG는 수집, 검색 및 생성의 세 단계로 구성됩니다.
데이터 수집
데이터 수집 단계에서 조직은 검색을 위한 지식 기반을 준비합니다. 출처 데이터는 내부 문서, 데이터베이스 또는 외부 리소스와 같은 다양한 리포지토리에서 수집됩니다. 그런 다음 이러한 문서는 정리되고 형식이 지정되며, 관리 가능한 작은 청크로 분할됩니다. 각 청크는 임베딩 모델을 사용해 텍스트의 의미적 맥락을 포착하는 벡터 표현으로 변환됩니다. 이러한 벡터는 효율적인 시맨틱 검색 및 검색 작업을 효율적으로 수행할 수 있는 벡터 데이터베이스에 저장됩니다.
정보 검색
사용자가 쿼리를 입력하면 시스템은 생성 단계 전에 관련 컨텍스트를 조회합니다. 쿼리는 수집 단계에서 사용된 동일한 임베딩 모델을 사용해 벡터 표현으로 변환됩니다. 벡터 검색은 데이터베이스에서 쿼리와 의미적 유사도가 가장 높은 문서 청크를 검색합니다. 필터링, 순위 지정 또는 가중치 재조정 기술을 추가로 적용하여 가장 관련성 높은 정보만 조회되도록 함으로써 최종 응답의 정확도를 높입니다.
생성
관련 문맥이 검색되면 원본 프롬프트, 조회된 동일한 구절 및 특정 지침을 사용하여 증강된 프롬프트가 구성됩니다. LLM은 이 프롬프트를 처리하여 사전 학습된 지식과 조회된 콘텐츠를 통합한 응답을 생성합니다. 이러한 접근 방식은 응답이 외부 데이터 소스를 기반으로 하며 사용자의 의도에 부합하도록 보장하여 더욱 정확한 답변을 제공할 수 있습니다.
산업별 검색 증강 생성 사용 사례
RAG는 이미 여러 산업 분야에서 대규모 언어 모델과 AI의 혁신적 잠재력을 실현하는 데 활용되고 있습니다.
- 제조업: 장비 매뉴얼과 유지 관리 로그로 LLM을 보강하여 실시간 운영 지침을 제공합니다. RAG는 기술자가 기계에 대한 정확한 정보에 신속히 액세스할 수 있도록 하여 가동 중단 시간을 줄이고 장비 성능을 개선합니다.
- 고객 지원: 내부 문서, 제품 가이드 및 지원 이력을 활용하여 문제를 진단합니다. RAG는 지원팀이 유용한 콘텐츠를 즉시 조회하여 응답 시간을 단축하고 첫 번째 문의 해결률을 높여 고객 문의에 효율적으로 대응할 수 있도록 지원합니다.
- 의료: 의료 연구, 임상 지침 및 환자 기록을 통합하여 진단 결정과 치료 권고를 지원합니다. RAG를 통해 의료 전문가는 최신 의료 지식에 액세스할 수 있으며 투명하고 근거 기반의 인사이트를 제공합니다.
- 금융 서비스: 규제 문서, 시장 보고서 및 컴플라이언스 지침을 통합하여 투자 연구, 위험 평가 및 컴플라이언스 준수를 지원합니다. RAG를 사용하면 금융 분석가가 복잡한 최신 금융 정보를 신속하게 조회하고 분석할 수 있습니다.
- 소프트웨어 엔지니어링: 코드 쓰기(write) 작업 시 문서 및 코드 스니펫을 검토하여 엔지니어를 지원합니다. 또한 RAG는 과거 유사한 문제를 기반으로 잠재적인 수정 사항을 제안하여 디버깅을 지원하고 생산성과 품질을 개선할 수 있습니다.
검색 증강 생성 주요 개념
청킹
청킹은 시스템의 정확성을 높이면서 비용을 절감하는 데이터 수집 프로세스의 한 요소입니다. 여기에는 큰 콘텐츠를 더 작고 관리 가능한 세그먼트로 나누어 검색을 준비하는 과정이 포함됩니다. 목표는 의미 있고 완전한 문맥을 가진 청크를 생성하여 유용한 정보를 충분히 포함하면서도 중복을 최소화하는 것입니다.
효과적인 청킹은 세분성과 완전성의 균형을 유지하여 시스템이 불필요한 세부 정보로 LLM에 과부하를 주지 않으면서도 관련 정보를 효율적으로 조회할 수 있도록 돕습니다. 잘 구조화된 청크는 검색 정확도를 개선하고 토큰 사용량을 줄이며 보다 정확하고 비용 효율적인 응답을 제공합니다.
임베딩 모델
임베딩 모델은 데이터를 시맨틱 의미를 포착하는 벡터라는 수치적 표현으로 변환합니다. 이를 통해 시스템은 단어, 구문 및 문서 간의 관계를 이해할 수 있어 관련 정보 검색의 정확성을 높일 수 있습니다.
데이터 수집 과정에서 임베딩 모델은 각 데이터 청크를 처리하여 벡터로 변환한 후 벡터 데이터베이스에 저장합니다. 사용자가 쿼리를 제출하면 동일한 임베딩 모델을 사용해 쿼리를 벡터로 변환합니다.
다양한 유형의 임베딩 모델은 여러 사용 사례를 지원합니다. 범용 모델은 광범위한 애플리케이션에 적합하며 도메인 특화 모델은 법률, 의료 또는 금융과 같은 특정 산업에 맞게 조정되어 전문 분야에서 검색 정확도를 높입니다. 멀티모달 모델은 텍스트 처리를 넘어 이미지, 오디오 및 기타 데이터 유형을 처리할 수 있어 더욱 고도화된 검색 기능을 제공합니다. 일부 모델은 텍스트를 수치적 표현으로 생성하여 이미지나 동영상과 직접 비교할 수 있어 진정으로 고도화된 멀티모달 검색을 구현할 수 있습니다.
시맨틱 검색
시맨틱 검색은 사용자의 쿼리 뒤에 숨겨진 의미에 초점을 맞춰 정보 검색을 개선하여 키워드 검색의 한계를 크게 개선합니다. 임베딩을 활용하여 쿼리와 문서 모두가 의미를 포착하는 벡터로 변환됩니다. 사용자가 쿼리를 제출하면 벡터 데이터베이스는 콘텐츠에 정확히 일치하는 쿼리 용어가 포함되어 있지 않더라도 가장 관련성 높은 문서를 검색합니다.
이러한 접근 방식은 더 나은 문맥적 이해를 가능하게 하여 보다 정확하고 관련성 높은 결과를 보장합니다. 시맨틱 검색은 동의어, 관련 개념 및 단어 변형을 인식하여 사용자 경험을 개선하고 모호성을 줄이며 사용자의 의도에 더욱 적합한 결과를 제공합니다.
재랭킹
재랭킹은 초기 검색 단계 이후 검색 결과의 관련성을 개선하기 위해 사용되는 기술입니다. 문서 세트가 조회되면 재랭킹 모델이 사용자 쿼리와의 관련성을 기준으로 문서 순서를 재조정합니다. 이 모델은 문서의 품질, 문맥적 관련성 또는 머신러닝 기반 점수와 같은 추가 기능을 활용하여 결과를 개선할 수 있습니다.
재랭킹은 가장 유용하고 문맥적으로 적합한 정보를 우선시하여 정확성과 사용자 만족도를 높입니다. 이 기능은 특히 초기 검색 단계에서 광범위한 결과가 반환될 경우 유용하며 시스템이 선택을 미세 조정하여 가장 관련성 높은 답변을 제공할 수 있습니다.
프롬프트 엔지니어링
프롬프트 엔지니어링은 LLM에 제공되는 입력을 신중하게 작성하여 원하는 방향으로 출력을 유도하는 작업을 포함합니다. 프롬프트를 효과적으로 구성함으로써 모델이 보다 정확하고 관련성 있으며 적절한 응답을 생성하도록 할 수 있습니다. 이 과정에는 명확한 지침, 관련 문맥, 때로는 예시를 포함하여 모델이 작업을 이해하도록 돕는 것이 필요합니다.
검색 증강 생성에서 프롬프트 엔지니어링은 조회된 문서를 원본 사용자 쿼리와 결합하여 일관되고 정확한 응답을 생성하는 데 핵심적인 역할을 합니다. 잘 설계된 프롬프트는 모호성을 줄이고 불필요한 정보를 최소화하며 모델이 사용자의 의도에 부합하도록 하여 더 높은 품질의 결과물을 제공합니다.
검색 증강 생성 애플리케이션 최적화
RAG 솔루션은 고도의 정확도를 제공하고 최종 사용자 경험을 전반적으로 개선하도록 최적화할 수 있습니다.
정보 검색 최적화
RAG의 정보 검색은 여러 전략을 통해 개선될 수 있습니다. 먼저 청킹 기술을 검토하여 문서가 의미 있고 문맥적으로 관련성 있는 세그먼트로 분할되었는지 확인합니다. 다음으로 콘텐츠의 의미를 포착할 수 있는 적합한 임베딩 모델을 선택합니다. 도메인 특화 모델은 특정 사용 사례에 대해 더 나은 결과를 제공할 수 있습니다. 시맨틱 검색이 가장 일반적으로 사용되지만 키워드 검색 또는 하이브리드 접근 방식이 검색 성능을 개선할 수 있는지 고려합니다.
또한 초기 검색 후 재랭킹 방법을 적용하여 결과의 정확성을 높입니다. 검색된 문서의 수를 조정하는 것도 중요합니다. 너무 많으면 노이즈가 생길 수 있고 너무 적으면 중요한 문맥을 놓칠 수 있습니다. 적절한 균형을 찾는 것이 검색 성능과 관련성을 개선하는 데 도움이 됩니다.
답변 생성 최적화
몇 가지 주요 접근 방식을 통해 RAG에서 언어 생성을 개선할 수 있습니다. 먼저 프롬프트 엔지니어링에 주력하여 쿼리와 문맥을 구조화함으로써 언어 모델이 더 정확하고 관련성 높은 응답을 생성하도록 유도합니다. 명확한 지침, 문맥 및 예시는 모호성을 줄이고 결과물의 품질을 개선하는 데 도움이 됩니다. 다음으로 다양한 모델이나 도메인 특화 LLM을 평가하여 생성된 응답이 특정 사용 사례의 미묘한 차이에 부합하도록 조정하여 관련성과 정확성을 높입니다. 또한 모델 응답의 창의성을 조절하기 위해 온도와 같은 조정 가능한 매개변수를 고려해야 합니다.
프로덕션 규모 최적화
핵심 RAG 애플리케이션 구성 요소에 최고 수준의 벤더를 선택하여 RAG 시스템이 프로덕션 환경에 적합하도록 준비합니다.
벡터 데이터베이스의 경우 고효율 검색 및 인덱싱 기능을 제공하며 특히 확장 가능하고 빠른 근사 최근접 이웃(ANN) 검색을 지원하는 플랫폼을 선택해야 합니다. 고급 벡터 데이터베이스는 메타데이터 필터링을 지원할 수 있으며 추가적인 문맥 정보를 기반으로 검색 결과를 좁혀 정확도와 속도를 높일 수 있습니다. 이를 통해 데이터 세트가 증가하더라도 시스템이 관련 문서를 빠르게 조회할 수 있습니다.
임베딩 모델을 선택할 때는 벡터의 고차원성과 효율적인 저장 및 검색 간의 균형을 맞추는 것이 중요합니다. 고차원 임베딩은 더 풍부한 시맨틱 관계를 포착할 수 있지만 계산 비용 증가, 저장 요구량 증가 및 검색 속도 저하와 같은 단점이 있습니다.
또한 생성 구성 요소를 위해 대규모 언어 모델(LLM)을 선택할 때는 사용 사례의 특정 요구 사항에 부합하는지 확인해야 합니다. LLM은 조회된 정보를 정확하게 해석하고 일관성 있으며 문맥적으로 적절한 응답을 생성할 수 있어야 합니다. LLM의 선택은 시스템의 전반적인 비용과 성능에 영향을 미칩니다. 더 큰 모델은 더 높은 정확도를 제공할 수 있지만 지연 시간 증가와 계산 요구 사항이 증가할 수 있습니다. 응답 시간, 출력 품질 및 인프라 요구 사항을 평가하여 성능과 효율성 간의 적절한 균형을 이루는 LLM을 선택하는 것이 중요합니다.
검색 증강 생성의 과제
RAG의 주요 과제 중 하나는 효과적인 검색을 위한 콘텐츠의 중앙 집중화 및 조직화의 어려움입니다. RAG 시스템은 다양한 도메인에 걸쳐 방대한 양의 데이터에 액세스해야 하지만 모델이 가장 관련성 높고 최신 정보를 효율적으로 검색할 수 있도록 콘텐츠를 조직화하는 것은 복잡한 작업입니다. 데이터는 다양한 플랫폼, 형식 및 데이터베이스에 분산되어 있어 포괄적인 범위와 정확성을 보장하기 어렵습니다. 또한 여러 출처 간의 일관성을 보장하는 것도 매우 중요합니다. 조회된 정보가 상충되거나 오래되었거나 불완전할 수 있으며, 이는 지식 기반을 혼란스럽게 하고 생성된 응답의 품질과 신뢰성을 저하시킬 수 있습니다. 이러한 과제들은 RAG 모델이 최상의 콘텐츠를 검색하고 관련성 높고 정확한 결과물을 생성할 수 있도록 보다 정교한 인덱싱 및 검색 시스템의 필요성을 강조합니다.
또 다른 주요 과제는 RAG가 현재 더 복잡한 작업을 수행하기보다는 질문에 대한 답변에 국한되어 있다는 점입니다. RAG 시스템은 조회된 정보를 기반으로 응답을 생성하는 데 뛰어나지만 쿼리 응답이나 콘텐츠 생성 이상의 작업을 실행하는 데에는 어려움을 겪고 있습니다. 이러한 제한은 RAG가 주로 외부 소스에서 관련 데이터를 가져와 이를 기반으로 출력을 제공하도록 설계되었기 때문이며 실제 환경과 상호작용하거나 이를 조작하는 기능은 포함되지 않았기 때문입니다. 그 결과 RAG 모델은 정보 검색 및 콘텐츠 생성에는 유용하지만 문제 해결이나 의사 결정과 같은 작업을 수행하는 기능은 여전히 미흡하여 더 동적인 애플리케이션으로 발전할 가능성이 제한됩니다.
메모리 기능이 강화된 인터랙티브 검색 증강 생성 구현
메모리를 활용해 RAG를 강화하면 이전 상호작용에서 주요 세부 사항과 문맥을 기억하여 보다 인터랙티브한 경험을 제공할 수 있습니다. 기존 RAG 시스템은 여러 차례의 상호작용에서 정보를 유지하지 않고 쿼리에 응답하여 단절된 경험을 초래하는 경우가 많습니다. 메모리 메커니즘을 통합하면 RAG 시스템은 현재 및 이전 대화에서 얻은 관련 사실, 선호도 또는 인사이트를 저장하여 필요할 때 이를 호출할 수 있습니다. 이를 통해 시스템은 더 개인화되고 문맥을 고려한 응답을 제공할 수 있으며 더욱 매끄러운 사용자 경험을 제공합니다. 시간이 지남에 따라 시스템은 사용자의 요구를 더 깊이 이해하게 되고 응답을 보다 관련성 있고 흥미롭게 조정하여 단절된 쿼리의 연속이 아닌 지속적인 대화처럼 느껴지는 경험을 제공할 수 있습니다.
검색 증강 생성과 생성형 인공지능의 미래
RAG 분야에서 새로운 기술이 계속해서 등장하면서 정보 조회 및 생성 기능이 더욱 효율적이고 적응적이며 지능적인 방식으로 향상될 것입니다. 성장의 주요 영역 중 하나는 고급 검색 메커니즘의 개발로 이를 통해 RAG 시스템이 전문 데이터베이스, 비정형 콘텐츠 및 실시간 정보를 포함한 더 넓은 범위의 소스에 동적으로 액세스할 수 있도록 하는 것입니다. 이러한 개선은 RAG 시스템이 문맥을 보다 잘 이해하도록 만들어 다양한 분야에서 더욱 관련성 높고 정확한 결과물을 생성할 수 있습니다.
동시에 새로운 생성형 인공지능의 자율적(agentic) 기능을 통합하면 AI 시스템이 문제 해결, 데이터 분석 및 의사 결정 작업을 수행할 수 있는 역량을 갖추게 됩니다. 이러한 자율적 시스템은 단순히 정보를 검색하고 응답을 생성하는 것을 넘어 수집한 정보를 기반으로 조치를 취할 수 있어 더 인터랙티브하고 자율적이며 지능적인 시스템이 될 수 있습니다. 결과적으로 RAG는 자동화된 연구, 개인화된 추천, 인터랙티브 가상 비서와 같은 애플리케이션의 핵심으로 자리 잡으며 반응적이고 능동적인 AI의 새로운 시대를 주도하게 될 것입니다.
미세 조정 및 검색 증강 생성 비교
미세 조정은 새로운 콘텐츠에 대한 추가 교육을 통해 언어 모델을 수정하는 과정으로 모델에 새로운 지식이나 행동을 가르치고 이를 파라메트릭 메모리에 영구적으로 내재화하는 것을 의미합니다. 이 접근 방식은 상당한 컴퓨팅 리소스와 전문성을 필요로 하며 모델 크기 제약으로 인해 새로운 정보 수용 능력이 제한적이고 변경된 사항은 영구적이어서 쉽게 업데이트할 수 없습니다. 미세 조정된 모델은 도메인 특화 결과를 제공할 수 있지만 상당한 학습 시간과 비용이 소요되어 최신 상태를 유지하기 어렵습니다.
검색 증강 생성(RAG)은 언어 생성 전에 학습 데이터에 포함되지 않은 콘텐츠를 동적으로 검색합니다. 이를 통해 RAG 모델은 모델의 기본 매개변수를 변경하지 않고도 새로운 데이터를 통합할 수 있어 미세 조정과 같은 지식 집약적 작업에서도 더욱 유연하고 확장 가능하게 만듭니다.
MongoDB Atlas와 Voyage AI로 RAG 애플리케이션 구축
MongoDB Atlas는 벡터와 벡터 검색을 지원하는 강력한 범용 데이터베이스로 프로덕션 수준의 RAG 애플리케이션을 구축하는 데 이상적인 선택입니다.
Voyage AI는 강력한 임베딩 모델과 재랭킹 기능을 제공하여 매우 정확한 정보 검색을 구현합니다.
프로젝트의 수준을 한 단계 높여보세요. 개발 프로세스를 간소화하고 새로운 가치를 창출하면서 선도적인 AI 파트너, 주요 클라우드 공급자, LLM 모델 제공업체 및 시스템 통합업체와의 원활한 통합을 통해 이점을 누릴 수 있습니다.
리소스
내장 검색 및 벡터 기능 등 다양한 기능을 갖춘 벡터 데이터베이스, MongoDB Atlas를 탐색해보세요. 지금 무료로 등록하세요.
Voyage AI에 대해 더 알고 싶다면 블로그에서 자세한 내용을 확인하세요.
검색 및 기타 AI 스택에 대한 전략적 조언과 구현 지원을 받을 수 있습니다. 자세한 내용은 MongoDB AI 애플리케이션 프로그램을 방문하세요.