검색 품질 개선하기
검색 품질 개선하기 (improve-search)
Qdrant를 실제 프로젝트에 적용하면 검색 결과가 "충분히 좋은지"를 어떻게 판단할지 고민하게 돼요. 이 페이지는 임베딩 모델 선택, 청크(chunk) 분할 전략, 그리고 검색 파이프라인의 품질을 평가하는 방법을 Python 생태계 도구로 정리한 튜토리얼 모음이에요. 옆에서 설명하듯, 하나씩 풀어볼게요.
이번 섹션에서 다루는 튜토리얼
| 튜토리얼 | 목표 | 스택 | 시간 | 난이도 |
|---|---|---|---|---|
| 검색 적합성 측정 (Measuring Retrieval Relevance) | 레이블된 golden set을 만들고 ranx로 검색 적합성 점수를 산출 |
Python | 40m | 중급 |
| 파이프라인 출력 품질 평가 (Evaluating Pipeline Output Quality) | Ragas로 RAG 파이프라인을 채점하고 검색 실패인지 생성 실패인지 분리 | Python | 45m | 중급 |
검색 품질을 개선한다는 건 결국 측정할 수 있어야 한다는 뜻이에요. 목표를 정량화할 수 없다면 개선 여부도 알 수 없으니까요. 다음 페이지(검색 적합성 측정)에서 실제로如何去 평가하는지 이어서 봐요.