Amazon OpenSearch Service 의 LTR 플러그인을 활용한 검색 품질 개선

간단 소개

Amazon OpenSearch Service에서 LTR 플러그인을 사용하여 검색 품질을 개선하는 방법을 소개하고, 실제 데모를 통해 성능 향상을 검증합니다.

AI Summary

LTR(Learning to Rank) 소개
- BM25 알고리즘의 한계 보완: 사용자 행위(CTR 등) 미고려.
- ML 모델로 검색 순위 재조정: 2단계 Re-Ranker로 활용.
- XGBoost, Metarank, Ranklib 모델 지원.
LTR 데모 및 단계별 실행
- Amazon Bedrock을 활용한 가상 데이터 및 쿼리 생성.
- Judgement List 생성: 쿼리에 대한 문서 관련성 등급화 (0~4점).
- Feature Set 생성 및 로깅: RankLib 학습 데이터 생성.
- RankLib 학습 및 OpenSearch 모델 배포.
LTR 성능 평가 및 결론
- NDCG 지표로 BM25와 LTR 비교.
- LTR 적용 시 NDCG 점수 향상 확인.
- Hybrid Search의 한계 극복 및 정확도 향상, 맞춤형 순위 조정 가능.