본문 바로가기
반응형

전체 글82

12년 차 개발자의 알을 깨는 시간: 첫 사내 밋업(Meet-up) 발표를 준비하며 오는 2025년 12월 9일 화요일, 저는 제 커리어의 큰 변곡점이 될 첫 사내 밋업 발표 무대에 섭니다.이번 발표는 단순한 기술 공유를 넘어, 제가 작성했던 "3년 후 미래를 위한 나의 커리어 보도자료: 글로벌 테크 리더를 향한 최종 설계도*를 실현하기 위한 첫 번째 발걸음입니다. 👉 관련 글: 3년 후 나를 위한 보도자료 보러 가기 3년 후 미래를 위한 나의 커리어 보도자료 : 글로벌 테크 리더를 향한 최종 설계도날짜: 2028년 10월 1일헤드라인:한국의 PHP 장인, AI 날개 달고 글로벌 무대로… 심재진, '레거시 현대화' 전문가로 주목 본문:3년 전, 한국의 좁은 PHP 시장과 '45세 정년'의 한계에 갇혀있던 한 개발자simjaejin.tistory.com 📌 내가 꿈꾸는 미래 (보도자료.. 2025. 12. 7.
갈등을 성과로 바꾸는 기술: 감정 대신 '시스템'으로 리딩하기 (feat. 원온원 대화의 기술) 1. 문제: 리더십은 '의욕'만으로 되지 않는다12년 차 백엔드 개발자로서 수많은 시스템 오류를 해결해 왔지만, 역시 가장 어려운 디버깅 대상은 '사람'과 '조직'인 것 같습니다.최근 팀 내에서 업무 속도와 스타일이 서로 다른 동료와의 협업 효율을 높이기 위해, 제가 주도적으로 업무를 조율하고 리딩하는 역할을 맡게 되었습니다. 의욕적으로 시작했지만, 결과는 예상과 달랐습니다.저는 업무의 누락을 막기 위해 꼼꼼한 확인과 공유를 요청했지만, 동료는 이를 '지시'나 '통제'로 받아들였습니다. 서로의 의도가 달랐기에 소통 과정에서 날 선 반응이 오갔고, 관계는 급격히 냉각되었습니다.솔직히 고백하자면, 그때는 잠시 포기하고 싶었습니다. "스타일이 너무 다르니 어쩔 수 없다", "업무적으로만 드라이하게 대하자"라고.. 2025. 11. 27.
[사이드 프로젝트] #2. RAG 챗봇 개발기 (6) - 하이브리드 검색과 '의외의' 결과 4편에서는 FAQ 기반 문서 재설계를 통해 답변 품질을 극적으로 끌어올렸고, 5편에서는 메타데이터 필터링으로 검색의 정확도와 신뢰도를 높였습니다.이제 마지막 퍼즐 한 조각이 남았습니다. 바로 '하이브리드 검색(Hybrid Search)'입니다. 이번 글에서는 RAG 시스템의 검색 품질을 극대화하기 위해 하이브리드 검색을 도입한 과정과, 그 테스트 결과에서 얻은 예상치 못한 교훈을 공유합니다.1. 벡터(Vector) 검색의 2% 부족함현재까지 구축한 챗봇은 벡터 검색만으로도 약 90%의 높은 정확도를 보여주고 있습니다. 벡터 검색은 문맥과 의미(Semantic)를 이해하는 데 탁월하기 때문입니다.질문: "결제가 안 될 때 어떻게 하나요?"벡터 검색 결과:"결제 실패 처리 방법" 문서를 찾아냄 (성공 ✅) .. 2025. 11. 21.
[사이드 프로젝트] #2. RAG 챗봇 개발기 (5) - '메타데이터'를 활용한 필터링 지난 4편에서는 문서 자체를 FAQ 기반으로 재설계하는 것만으로도 RAG 챗봇의 답변 품질을 극적으로 향상시킬 수 있었습니다. 벡터 검색만으로도 꽤 만족스러운 결과를 얻을 수 있었죠.하지만 여기서 만족하지 않고, 3편에서 계획했던 개선안 중 하나인 '메타데이터(Metadata) 필터링'을 적용해 챗봇을 한 단계 더 고도화해 보았습니다.1. 왜 '메타데이터 필터링'이 필요한가?FAQ 기반으로 문서를 잘 설계했지만, 검색 범위를 더 확실하게 좁히고 싶다는 욕심이 생겼습니다.예를 들어, 제 업무 지식에는 'A-Pay 연동', 'B-배송 설정', 'C-인증 정책' 등 여러 카테고리가 섞여있습니다. 만약 사용자가 "설정 방법 알려줘"라고 모호하게 질문하면, AI가 A-Pay와 B-배송의 설정 방법을 섞어서 답변할.. 2025. 11. 13.
[사이드 프로젝트] #2 RAG 챗봇 개발기 (4) - 문서를 FAQ로 바꿨더니 답변 품질이 10배 향상됐다 지난 3편에서는 간단한 파라미터 튜닝(청크 크기, k값)의 한계를 깨닫고, RAG 시스템의 근본적인 개선을 위해 1) 메타데이터 활용, 2) 하이브리드 검색, 3) 문서 재구조화라는 3가지 개선 계획을 세웠습니다. 이번 4편에서는 이 중 가장 극적인 성능 향상을 가져온 세 번째 계획, **'문서 재구조화'**를 실행한 과정을 자세히 공유합니다. ❌ 문제의 발견: 완벽한 매뉴얼, 쓸모없는 답변RAG 챗봇을 구축하며 당혹스러운 경험을 했습니다. 3편에서 겪었던 '답변 잘림' 문제를 해결하고 나서도, 여전히 답변의 품질이 기대에 미치지 못했습니다.분명 임베딩 대상이 되는 원본 매뉴얼 문서에는 모든 정보가 완벽하게 들어있는데, 정작 챗봇의 답변은 핵심을 비켜가거나 정보를 누락했습니다. 질문 예시: "우리가 지원.. 2025. 11. 8.
[사이드 프로젝트] #2. RAG 기반 '업무 지식' AI 챗봇 개발기 (3) - RAG 구축 삽질기 RAG(Retrieval-Augmented Generation) 개념을 배우고 예시 코드를 처음 적용했을 때는 정말 쉬워 보였습니다. "이거면 금방 끝나겠네!" 싶었죠.하지만 현실은 역시 만만치 않았습니다.❌ 첫 번째 문제: 부정확한 컨텍스트와 잘린 답변처음에는 간단한 설정으로 시작했습니다.# 초기 설정text_splitter = RecursiveCharacterTextSplitter( chunk_size=250, # 너무 작았음 chunk_overlap=100, separators=["\n## ", "\n### ", "\n\n", "\n", ". ", " ", ""], add_start_index=True,)def retrieve_context(query: str): .. 2025. 10. 29.
반응형

티스토리툴바