AI 요약관련 정보

• RAG(Retrieval Augmented Generation)는 질문에 정확하게 답하기 위해 외부 정보를 검색하여 활용하는 AI 기술입니다. 📚
• RAG 에이전트는 다양한 데이터 소스에 접근하여 질문에 대한 정보를 찾아 응답하는 지능형 AI 시스템입니다. 🧠
• 벡터 데이터베이스는 텍스트 조각들을 의미 기반으로 다차원 공간에 벡터 형태로 저장하여 유사한 의미의 정보들을 가깝게 배치합니다. 🌌
• RAG 시스템 구축은 데이터를 벡터 데이터베이스에 넣는 'RAG 파이프라인'과 저장된 데이터와 상호작용하는 'RAG 에이전트'의 두 가지 주요 부분으로 구성됩니다. 🏗️
• RAG 파이프라인은 문서 청킹(분할), 임베딩 모델을 통한 텍스트의 숫자 변환, 그리고 벡터화를 통해 데이터를 벡터 데이터베이스에 저장하는 과정을 포함합니다. ✂️
• RAG 에이전트는 사용자 쿼리를 임베딩하고 벡터화하여 벡터 데이터베이스에서 가장 관련성 높은 정보를 검색한 후, AI가 이를 바탕으로 답변을 생성합니다. 💬
• 이 모든 과정은 N8n과 같은 노코드 플랫폼을 사용하여 드래그 앤 드롭 방식으로 코딩 없이 쉽게 구축할 수 있습니다. 🛠️
• Supabase는 벡터 데이터베이스(PostgreSQL 기반) 및 단기 메모리 저장소로 활용되며, N8n과 연동하여 RAG 시스템을 구현하는 데 사용됩니다. 💾
• RAG의 데이터 소스는 PDF 문서 외에도 HubSpot 레코드, Airtable, 이메일 등 다양하며, 에이전트 트리거 또한 채팅, 이메일 응답, 정기 요약 등으로 유연하게 설정할 수 있습니다. 🔄
• 실습 예제에서는 '골프 규칙' PDF 문서를 청킹, 임베딩, 벡터화하여 Supabase에 저장하고, N8n을 통해 이 데이터와 대화하는 RAG 에이전트를 구축하는 과정을 시연합니다. ⛳