AI·연동
RAG (검색 증강 생성)
Retrieval Augmented Generation
RAG(검색 증강 생성)란 대형 언어 모델(LLM)이 응답을 생성하기 전에 외부 데이터 저장소에서 관련 정보를 실시간으로 검색·조회해 결합하는 AI 아키텍처로, MES 챗봇에서는 LLM이 공장 DB를 직접 조회한 최신 데이터를 기반으로 생산·재고·납기 답변을 생성하는 핵심 기술입니다.
RAG의 동작 흐름은 세 단계입니다. ① 사용자 질문 수신(예: '오늘 라인 1 생산수량') → ② 외부 저장소(DB·문서·벡터 DB) 검색 → ③ LLM이 검색 결과를 컨텍스트로 삼아 자연어 답변 생성. 이 구조 덕분에 LLM 학습 데이터에 없는 회사 내부 최신 데이터를 실시간으로 답변에 반영할 수 있습니다. RAG 없이 LLM만 사용하면 공장 실시간 데이터를 알 수 없어 '오늘 재고' 같은 질문에 답변하지 못합니다.
MES 챗봇에서 RAG는 두 가지 방식으로 구현됩니다. 첫째, Text-to-SQL 방식: LLM이 자연어 질문을 SQL로 변환 → MES DB 직접 조회 → 조회 결과를 기반으로 자연어 답변 생성. 둘째, 문서 RAG 방식: PDF 작업표준서·엑셀 이력 등을 벡터 DB에 색인 → 유사 문서 검색 → LLM이 종합 답변 생성. 우정소프트웨어 STAFF AI는 MES·ERP DB를 직접 조회하는 Text-to-SQL RAG 구조를 사용합니다.
RAG 도입의 핵심 전제 조건은 DB 또는 문서에 데이터가 축적되어 있어야 한다는 것입니다. MES 없이 엑셀로만 관리하는 공장은 RAG가 참조할 구조화 데이터가 없어 AI 챗봇 정확도가 낮습니다. MES가 생산·재고·품질 데이터를 DB에 체계적으로 쌓아야 RAG 기반 AI 챗봇이 정확한 현장 답변을 제공할 수 있습니다.
관련 용어
‘RAG (검색 증강 생성)’ 데이터, 우리 회사 시스템에서 카카오톡으로 바로 조회하고 싶다면?