RAG에서 부에 이르기까지: 2024년에 기업들이 AI 프레임워크를 도입함에 따라 RAG에 대해 더 많은 이야기를 들을 수 있을 것으로 예상한다.

기업이 생성형 AI 애플리케이션과 서비스를 구축하기 위해 LLM을 훈련할 때, 부정확하거나 무의미한 답변에 RAG를 해결책으로 사용하고 있다. 이러한 문제는 모델이 특정 사용 사례에 대한 정확하고 관련성 있는 정보에 충분히 액세스하지 못할 때 종종 발생한다.

기업은 의미적 인출(semantic retrieval)을 통해 오픈 소스 기초 모델을 가져와 자체 데이터를 수집한다. 따라서 사용자 쿼리가 인덱스에서 관련 데이터를 검색할 수 있도록 한 다음 런타임에 모델에 전달할 수 있다.

결론적으로 기업은 의료, 금융, 소매, 제조 등의 분야에서 더 적은 리소스로 더욱 정확한 생성형 AI 애플리케이션을 구현할 수 있다. 최종 사용자는 데이터와 자연스럽고 직관적으로 대화할 수 있는 보다 정교하고 상황에 맞는 멀티모달 챗봇과 맞춤형 콘텐츠 추천 시스템을 기대할 수 있다.

멀티모달리티가 진가를 발휘한다: 텍스트 기반 생성형 AI는 이제 과거의 일이다. 생성형 AI가 아직 초기 단계에 있지만, 많은 업계에서 멀티모달 LLM을 도입할 예정이다. 이를 통해 소비자는 텍스트, 음성, 이미지를 조합해 표, 차트 또는 도식에 대한 쿼리에 대해 보다 맥락에 맞는 답변을 제공할 수 있다.

메타(Meta), 오픈AI와 같은 기업은 감각에 대한 지원을 강화해 멀티모달 생성형 AI의 경계를 넓히고자 한다. 이는 물리 과학, 생물 과학, 사회 전반의 발전으로 이어질 것이다. 기업은 데이터를 텍스트 형식뿐만 아니라 PDF, 그래프, 차트, 슬라이드 등으로도 이해할 수 있다.