복습 · LLM과 그래프 연결
벡터 RAG가 놓치는 질문, LLM과 KG를 잇는 세 방향, LLM으로 그래프를 만드는 방법을 배웠습니다. 다중 홉 질문에 답하려면 무엇을 어떤 순서로 만들어야 하는지 연결해 봅니다.
이번 회차, 내 속도로.
기초를 더 짚거나 궁금한 주제로 잠깐 넓혀 보세요. 최대 3단계를 거쳐 DAY 85로 돌아옵니다.
난이도·관심 주제 고르기
1/2개 선택 · 새 보충·심화 수업과 본과정 다시 읽기를 선택할 수 있어요.
이렇게 다녀와요 1단계 · 약 12분
- 출발 · DAY 85기억에서 꺼내고 풀이 점검하기
- 1. 관심 주제스키마 표현·관계 방향·값 예시추가 33 · 새 추가 수업
- 복귀 · DAY 85원래 회차 이어가기
- 스키마 표현·관계 방향·값 예시 · DAY 84에서 흔한 오류로 꼽은 존재하지 않는 레이블, 뒤집힌 방향, 값 표기 차이는 상당 부분 프롬프트의 스키마 표현에서 예방할 수 있습니다.
선택과 경로 기록은 이 브라우저에 저장됩니다. 본과정의 회차 완료와는 별도입니다.
기억에서 꺼내어 풀기
앞에서 풀었던 세 문제를 해설 없이 다시 풀어 보세요. 막히면 힌트를 열고, 풀이를 비교한 뒤 고친 점을 기록하세요.
힌트 보기
답의 근거가 한 청크에 있는지, 사실을 이어야 하는지, 전체를 훑어야 하는지 봅니다.
풀이와 비교하기
(가)는 단순 사실로 한 청크에 답이 있어 벡터 RAG로 충분합니다. (나)는 공동 창업자를 찾고, 그 사람의 직장을 찾고, 그 회사의 본사를 찾아야 하는 다중 홉 질문이라 그래프 경로나 반복 검색이 필요합니다. (다)는 코퍼스 전체를 요약해야 하는 전역 질문이라 상위 k개 청크로는 부족하고 주제 요약(커뮤니티 보고서 등)이 필요합니다.
힌트 보기
단계마다 누가 누구를 돕는지 봅니다.
풀이와 비교하기
인덱싱 단계는 LLM이 그래프를 만드는 일이므로 LLM으로 강화한 KG(구축)입니다. 질의 단계는 그래프에서 나온 요약이 LLM의 답을 근거 짓는 일이므로 KG로 강화한 LLM(추론)입니다. 전체로는 두 방향이 맞물린 시스템이며, 분류는 시스템을 쪼개 이해하는 도구로 씁니다.
힌트 보기
같은 사실의 다른 표현과, 같은 회사의 다른 이름을 먼저 합칩니다.
풀이와 비교하기
‘누리칩’과 ‘누리칩 주식회사’를 엔티티 해소로 한 회사로 합치면 앞의 세 트리플은 모두 (민지:Person)-[:WORKS_AT]->(누리칩:Company) 하나가 됩니다. 본사는 (누리칩)-[:LOCATED_IN]->(판교:City)로 바꿉니다. 결과는 2개이며, 각 트리플에 원래 근거 문장들을 출처로 남깁니다.
풀이와 확인 표시는 이 브라우저에 저장됩니다.
세 문제를 푼 뒤 핵심 개념 펼치기
핵심 개념
벡터 RAG가 놓치는 질문, LLM과 KG를 잇는 세 방향, LLM으로 그래프를 만드는 방법을 배웠습니다. 다중 홉 질문에 답하려면 무엇을 어떤 순서로 만들어야 하는지 연결해 봅니다.
벡터 RAG는 답이 몇 개 청크에 모인 질문에 강하고, 사실을 이어야 하는 다중 홉 질문과 코퍼스 전체를 요약해야 하는 전역 질문에 약합니다.
LLM과 KG의 결합은 KG가 LLM을 돕는 방향, LLM이 KG를 돕는 방향, 둘이 함께 추론하는 방향으로 나눠 볼 수 있습니다.
LLM 추출은 스키마로 관계 이름과 방향을 정규화하고, 트리플마다 출처를 남겨 근거 없는 관계를 걸러 낼 때 쓸 만한 지식 그래프가 됩니다.
오늘 이해한 것과 다시 볼 것
계산이 달라진 이유, 헷갈린 개념, 다음에 확인할 질문을 남겨 보세요.
메모는 이 브라우저에 저장됩니다. 홈에서 전체 기록을 내려받을 수 있습니다.오늘의 이해 확인
벡터 RAG가 놓친 두 번째 근거 문서에 그래프 경로로 닿으려면 추출 단계에서 무엇이 보장되어야 하나요?
완료 조건: 확인 퀴즈 정답 · / 직접 풀기 0/3
더 깊이 읽기
예제와 실험 데이터는 이 과정을 위해 만든 것입니다. 원문은 선택 자료이며, 강의와 직접 풀기만으로도 다음 회차를 이어갈 수 있습니다.
Retrieval-Augmented Generation for Knowledge-Intensive NLP TasksLewis et al. (2020)HotpotQA: A Dataset for Diverse, Explainable Multi-hop Question AnsweringYang et al. (2018)From Local to Global: A Graph RAG Approach to Query-Focused SummarizationEdge et al. (2024)Unifying Large Language Models and Knowledge Graphs: A RoadmapPan et al. (2023)LLMs for Knowledge Graph Construction and ReasoningZhu et al. (2023)이 자료는 개념 학습용입니다. 실제 데이터베이스·라이브러리·플랫폼의 동작과 설정은 제품과 버전마다 다를 수 있습니다.