시맨틱 검색 (Semantic Search)

키워드가 아니라 의미로 문서를 찾고 싶을 때 쓰는 검색 방식이 시맨틱 검색이에요. 텍스트를 고정 길이의 임베딩 벡터로 바꿔서, 뜻이 비슷한 문서들끼리 벡터 공간에서 가까이 모이게 하는 게 핵심이랍니다. Elasticsearch에서는 semantic_text 필드와 추론(inference) 엔드포인트를 조합해 자연스럽게 시맨틱 검색을 구성할 수 있어요.

출처: Semantic search for text — Elasticsearch Guide

시맨틱 검색이 필요한 이유

기존의 어휘(lexical) 검색은 사용자가 쓴 표현 그대로만 찾아줘요. 반면 시맨틱 검색은 동의어·유의어·문맥까지 잡아서, 예를 들어 "날씨가 어떤가요?"라고 물어도 "오늘 기온", "강수 확률" 같은 관련 문서를 찾아줄 수 있답니다. 스키마 없이 문장 전체를 벡터로 표현하기 때문에 검색 품질이 훨씬 유연해져요.

semantic_text 필드로 시작하기

semantic_text 필드는 임베딩 모델이 알아서 만들어주는 벡터를 담는 필드 타입이에요. 매핑에서 inference_id로 사용할 추론 엔드포인트를 지정해 주면 돼요.

PUT /my-index-000001
{
  "mappings": {
    "properties": {
      "semantic_text_field": {
        "type": "semantic_text",
        "inference_id": "my-elser-endpoint"
      }
    }
  }
}

문서를 넣을 때는 일반 텍스트만 넣으면 되고, 벡터 생성은 추론 파이프라인이 처리해 줘요. 따로 임베딩을 계산해서 넣을 필요가 없답니다.

knn 검색으로 질의하기

시맨틱 검색은 knn (k-최근접 이웃) 검색으로 수행해요. query_vector_builder에 텍스트를 넣으면 같은 임베딩 모델이 질의 벡터를 만들고, 가장 가까운 k개를 돌려줘요.

GET /my-index-000001/_search
{
  "knn": {
    "field": "semantic_text_field",
    "query_vector_builder": {
      "text_embedding": {
        "model_id": "sentence-transformers__all-minilm-l6-v2",
        "model_text": "What is the weather tomorrow?"
      }
    },
    "k": 10
  }
}

k는 결과로 받을 최상위 문서 수예요. 벡터 밀도가 높아질수록 후보 탐색 단계가 커지므로, 정확도와 성능을 보고 적절한 값을 정해야 해요.

어떤 검색을 고를까

정확한 고유명사·코드·버전·약어는 어휘 검색(BM25)이 강해요.
문장 수준의 의미 유사도가 중요하면 시맨틱 검색이 좋아요.
둘 다 쓰는 하이브리드 검색으로 재현율을 높이는 것도 흔한 패턴이에요.

시맨틱 검색 (Semantic Search)