네모 서비스 – RAG (Retrieval Augmented Generation) 설계 문서 (이해하기 쉬운 버전)

1. 최종 통합된 RAG 서비스 아키텍처 및 설명

1.1 적용 배경

네모 서비스는 사용자가 새로운 모임을 찾거나 일정을 추천받을 때,
단순한 키워드 검색이나 기존 카테고리 분류 방식으로는 만족스러운 결과를 제공하는 데 한계가 있었습니다.

특히 사용자가 작성한 자연어 요청(예: "초보자를 위한 생성형 AI 모임 추천")을 정확하게 이해하고,
알맞은 모임을 추천하려면 단순한 생성 모델만으로는 부족했습니다.

→ 이 문제를 해결하기 위해,
→ 기존 데이터(모임 소개, 태그, 목적 등)를 활용하는 검색 기반 문맥 강화,
즉 RAG 구조를 도입했습니다.

---

1.2 RAG 아키텍처 구성

아래는 RAG 구조의 전체 흐름입니다:

graph TD
A[사용자 질의] --> B[질의 임베딩 생성]
B --> C[ChromaDB에서 유사 모임 검색]
C --> D[검색된 모임 데이터 수집]
D --> E[FastAPI 서버 호출]
E --> F[LLM에 검색 문맥 삽입 후 응답 생성]

1.3 핵심 컴포넌트 설명

구성 요소	설명
사용자 질의 입력	사용자가 자연어로 모임을 요청
임베딩 모델 (intfloat/e5-small-v2 등)	질의를 의미적 벡터로 변환
ChromaDB	의미 기반 검색을 위해 임베딩된 모임 데이터 저장
FastAPI 서버	검색 결과를 받아 모델 호출을 연결
LLM (로컬 모델)	검색된 문맥을 반영하여 자연스럽고 정확한 추천 생성

즉:
사용자가 입력한 문장을 이해하고 →
비슷한 모임을 찾아내어 →
그 정보까지 모델에 넘긴 후 →
훨씬 정확하고 자연스러운 답변을 만들게 됩니다.

---

2. 단계별 설계 적용 결과 요약표

단계	적용 내용	기대 효과
1	질의 임베딩 생성	사용자의 자연어 요청을 의미 단위로 변환
2	ChromaDB 검색 적용	단순 키워드가 아닌 의미 기반 유사 모임 검색 가능
3	FastAPI 서버 연동	검색 결과와 모델 추론 흐름을 통합
4	RAG 최적화 프롬프트 설계	검색된 내용을 활용해 더 정확한 답변 생성

한마디로, "사용자 요청" → "의미 검색" → "모델 입력" → "더 똑똑한 답변" 이라는 흐름을 단계별로 설계했습니다.

---

3. 현재 RAG 시스템 성능 및 품질 평가

RAG을 적용하기 전후의 차이를 표로 정리하면 다음과 같습니다:

항목	적용 전	적용 후
추천 정확도	카테고리 일치만 보고 추천	문장 의미에 맞는 모임까지 추천 가능
추천 다양성	제한적 (항상 비슷한 모임)	다양한 키워드/목적 기반으로 넓은 추천 가능
사용자 반응	일반적 (큰 차별화 없음)	더 자연스럽고 맞춤형 추천 기대

정량적 검증 방법:

• 추천 결과 클릭률(CTR) 증가 확인
• 추천된 모임 참여율(Join Rate) 비교 측정

→ **단순 정확도뿐 아니라, 사용자의 실제 행동 변화(참여율)**을 지표로 삼아 평가할 계획입니다.

---

4. 앞으로의 개선 제안 및 계획

RAG 구조를 지금보다 더 발전시키기 위한 계획입니다:

4.1 Chunk Embedding 최적화

• 긴 모임 소개글을 문단 단위로 쪼개어 임베딩
• 기대 효과: 검색할 때 더 정확한 문맥 선택 가능

4.2 멀티 소스 RAG 확장

• 모임 설명뿐 아니라, 후기, 일정 데이터까지 함께 검색
• 기대 효과: 추천 다양성과 자연스러움 강화

4.3 FastAPI-DB 최적화

• ChromaDB 검색 시 캐시를 적용해 응답 시간 단축
• 기대 효과: 사용자 요청 처리 속도 향상

4.4 정기적 임베딩 업데이트

• 새로운 모임 등록, 후기 작성 시 자동 임베딩 처리
• 기대 효과: 항상 최신 정보 기반 추천 유지

---

5. 최종 결론: RAG 설계 타당성 종합 평가

평가 항목	설명
정확성 향상	사용자의 의미를 이해하고 그에 맞는 결과 제공 가능
확장성	다양한 도메인(모임, 일정, 후기 등)으로 손쉽게 확장 가능
비용 효율성	자체 ChromaDB 운영으로 외부 API 비용 없이 유지
운영 효율성	FastAPI 모듈화를 통한 서버 유지관리 편리성 확보

네모 서비스는 RAG 구조를 통해
단순 추천 시스템을 넘어 사용자 맞춤형, 자연어 이해 기반 추천 서비스로 진화하고 있습니다.

---

✨ 종합 결론

네모 서비스에 적용된 RAG 설계는,
자연어 이해, 의미 기반 검색, 개인화 추천을 자연스럽게 통합함으로써
사용자 경험(UX)을 한층 끌어올릴 준비를 완료했습니다.
앞으로 데이터 확장 및 모델 최적화를 통해 더욱 강력한 추천 시스템으로 발전할 수 있습니다.