Proprietary Know-how

담당자: 양재석
주제: RAG

개요
본 기술은 다중 홉 질의응답 환경에서 검색 증강 생성의 신뢰성을 높이기 위한 추론 단계별 자가 진단·교정 기술에 관련한 것이다. 기존 RAG 시스템은 (1) 강력한 밀집 검색기조차 다중 홉 벤치마크에서 재현율이 일정 수준에서 포화되는 검색 한계, (2) 한 단계의 추론 오류가 후속단계로 전파되어 최종 답변의 신뢰성을 훼손하는 오류 누적 문제를 동시에 안고 있다. 본 기술은 인간의 절차적 기억 개념에서 착안하여, 성공·실패 추론 경험을 누적해 "어떻게 오류를 복구하는가"에 대한 지식을 학습·재사용하는 메모리 증강형 RAG 프레임워크이다. 각 추론 단계마다 토큰 중첩 기반 알고리즘 검증과 LLM 기반 의미 검증을 복잡도에 따라 적응적으로 적용하고, 오류 유형별로 차별화된 교정 전략을 실행함으로써 다중 홉 벤치마크 전반에서 안정적인 성능 향상을 달성하였다.

핵심 기술

• 절차적 메모리 기반 추론 경험 누적·재사용 메커니즘
  
• Build-Retrieve-Update 사이클 기반 지속학습형 RAG 파이프라인
  
• 단계별 신뢰도 산출을 위한 다중 신호 통합 검증
  
• 복잡도 적응형 검증: 알고리즘 검증기 ↔ 의미 검증기 동적 전환
  
• 오류 유형 분류 체계(검색 실패 / 사실 오류 / 논리 오류 / 전파 오류 / 미분류)에 따른 차별화 교정 전략 실패 사례 회피 학습을 통한 부정 경험 활용

연구 실적
학회: 심사중