[ Azure OpenAI #14] Azure OpenAI로 RAG 구현하기: Blob Storage, Index, SDK, CSV 실습, 콘텐츠 안전
앞선 글에서는 RAG의 개념, 문서 처리 흐름, Azure AI Search의 검색 방식을 살펴봤습니다. 이제는 실제 Azure Portal과 SDK를 사용해 RAG를 구성하는 실습 흐름으로 넘어가겠습니다.이번 글은 개념 설명보다 실습 순서가 중요합니다. Azure OpenAI 모델을 준비하고, Blob Storage에 문서를 저장하고, Azure AI Search 인덱스를 만들고, Playground와 SDK에서 RAG를 테스트한 뒤, 벡터 검색과 CSV 데이터, 콘텐츠 안전까지 이어지는 흐름을 하나씩 정리하겠습니다.이번 글의 핵심이번 실습은 “RAG가 무엇인가?”를 다시 설명하는 글이 아니라, Azure에서 RAG를 실제로 구성할 때 어떤 리소스를 만들고, 어떤 순서로 연결하며, 어디서 자주 막히는지..
2026. 6. 18.
[ Azure OpenAI #13] Azure AI Search와 벡터 검색: Keyword, Semantic, Vector, Hybrid Search 비교
지난 글에서는 RAG가 어떤 순서로 동작하는지 살펴봤습니다. 문서를 잘게 나누고, 임베딩하고, Vector Store에 저장한 뒤, 사용자의 질문과 가까운 문서 조각을 찾아 LLM에게 전달하는 흐름이었습니다. 이번 글에서는 그중에서도 검색에 집중해 보겠습니다. RAG에서 검색은 단순히 “문서를 찾아오는 기능”이 아닙니다. 어떤 문서를 찾아오느냐에 따라 LLM의 답변 품질이 거의 결정됩니다.이번 글의 핵심 질문RAG에서 Azure AI Search는 왜 필요하고, Keyword Search, Semantic Ranker, Vector Search, Hybrid Search는 각각 어떤 역할을 할까요? 1. Azure AI Search란?Azure AI Search는 Microsoft Azure에서 제공하는..
2026. 6. 18.
[ Azure OpenAI #12 ] RAG 동작 원리 완전 정리: Chunking, Embedding, Vector Store, Retrieval, Generation
지난 글에서는 RAG가 왜 필요한지 살펴봤습니다.핵심은 간단했습니다.LLM은 말을 잘 생성하지만, 최신 정보나 회사 내부 문서를 자동으로 알고 있는 것은 아닙니다.그래서 답변하기 전에 관련 자료를 먼저 찾아보고, 그 자료를 근거로 답하게 만드는 구조가 필요합니다. 이번 글에서는 그 구조가 실제로 어떻게 동작하는지 살펴보겠습니다.문서를 어떻게 준비하고,왜 잘게 나누고,임베딩은 어디에 쓰이며,Vector Store는 무엇을 저장하고,사용자의 질문이 들어왔을 때 어떤 방식으로 답변이 만들어지는지 순서대로 정리하겠습니다.이번 글의 핵심 질문RAG는 단순히 “문서를 검색해서 GPT에게 넣는 것”이 아닙니다. 긴 문서를 검색하기 좋은 형태로 나누고, 의미 기반으로 찾을 수 있게 변환한 뒤, 질문과 관련 있는 조각만..
2026. 6. 18.
