Tag
#임베딩 6
2026
-
MegaMem은 방대한 기업 문서에서 답의 근거를 어떻게 찾나
MegaMem의 원문과 메모 이중 인덱스, 질문 재작성과 확장, 원문 복원, RRF, 재정렬, 답변과 출처 표시를 하나의 예시로 추적하고 논문 점수와 CDL 리더보드의 관계를 구분합니다.
#MegaMem #RAG #기업검색 #임베딩 #QueryExpansion #RRF #LLMWiki -
한국어 Wiki 임베딩 설계: 모델, 청크, 차원, 인덱싱과 검색 속도
한국어 Wiki를 벡터 검색으로 만들 때 모델, 청크 크기, 임베딩 차원, 인덱싱과 실시간 검색 속도를 어떻게 결정하는지 설명합니다.
#임베딩 #RAG #한국어 Wiki #청킹 #벡터 검색 #HNSW #Reranker -
[LLM Wiki 22] Qdrant란 무엇인가: FAISS와 HNSW의 관계
Qdrant의 Collection, Point, vector, payload 구조부터 RAG에서 맡는 역할, HNSW의 위치, FAISS와의 차이와 선택 기준까지 처음부터 설명합니다.
#Qdrant #FAISS #HNSW #벡터검색 #벡터데이터베이스 #RAG #임베딩 -
[LLM Wiki 21] HNSW는 어떻게 수백만 벡터에서 가까운 문서를 찾을까
HNSW의 발음부터 벡터, 근사 최근접 이웃, 계층형 그래프의 탐색 과정, M과 ef 설정, 필터 검색의 주의점까지 그림으로 설명합니다.
#HNSW #벡터검색 #임베딩 #RAG #벡터데이터베이스 #Qdrant -
LLM Wiki는 검색을 어떻게 하나, 그리고 임베딩은 쓸까
카파시의 LLM Wiki에서 검색이 효율적인 이유를 단계별로 따라가고, 임베딩(RAG)이 어디에 쓰이고 어디엔 안 쓰이는지를 그림으로 가립니다. index 지도, 링크 그래프, 캐싱, 임베딩의 진짜 위치.
#LLM #지식관리 #Karpathy #임베딩 #RAG #검색 #PKM -
MiniLM, 쉽게 이해하기 — 문장을 '의미 숫자'로 바꾸는 작고 빠른 모델
보편적으로 말하는 MiniLM(all-MiniLM-L6-v2)이 무엇인지, 왜·어떻게 쓰는지, 시맨틱 검색·RAG·클러스터링 같은 실제 사용 예를 도식으로 쉽게 설명합니다.
#MiniLM #임베딩 #embedding #RAG #시맨틱검색 #NLP