기술 자료 및 RAG 시스템
SecureAI는 **RAG(검색 증강 생성)**를 사용하여 AI 모델을 개인 데이터 및 문서와 연결하여 안전하고 정확하며 상황 인식 응답을 보장합니다.RAG란 무엇인가요?
**RAG(검색 증강 생성)**는 언어 모델을 외부 지식 소스와 결합하는 AI 기술입니다. 모델의 사전 훈련된 데이터에만 의존하는 대신:- 쿼리 처리: 시스템은 사용자 프롬프트를 분석하여 관련 지식 요구 사항을 식별합니다.
- 지식 검색: 의미론적 검색은 인덱스에서 관련 문서 덩어리를 검색합니다.
- 컨텍스트 확대: 검색된 컨텍스트가 모델 프롬프트에 주입됩니다.
- 응답 생성: AI는 귀하의 문서를 인용하여 사실적이고 근거 있는 응답을 생성합니다.
SecureAI의 인덱스 유형
색인은 접근성별로 분류된 구조화된 지식 기반입니다.1. 개인 색인
- 영지식 개인 정보 보호: 파일과 대화는 테넌트/사용자 키로 암호화됩니다.
- 창작:
- 사용자: 채팅 인터페이스를 열고 모델 선택기 옆에 있는 색인 선택기를 클릭한 다음 개인 탭으로 전환하고 **+**를 클릭합니다.
- 관리자: 관리자 ? 인덱스 관리 ? Index를 생성하고 이를 특정 사용자에게 할당합니다.
2. 그룹 인덱스
- 협업: 여러 팀 구성원이 동일한 지식 기반에 문서를 쿼리하고 기여할 수 있습니다.
- 창작:
- 관리자?로 이동하세요. 그룹 관리 ? 그룹을 만들고, 구성원을 할당하고, 공유 그룹 색인을 연결하세요.
3. 글로벌 인덱스
- 전사적 표준: 기업 규정 준수, 법률 용어 및 운영 지침을 위한 중앙 집중식 저장소입니다.
- 생성: 관리자 ? 인덱스 관리 ? Index를 생성하고 범위를 Global로 설정합니다.
인덱싱 작동 방식
파일(PDF, Word 문서, CSV, JSON, Markdown 또는 일반 텍스트)을 업로드하는 경우:원시 문서 --? 텍스트 추출 --? 의미적 청킹 --? 벡터 임베딩 --? 벡터 저장(인덱스)
- 문서 처리: 텍스트 및 메타데이터(타임스탬프, 파일 이름)가 추출되고 정리됩니다.
- 청킹: 콘텐츠는 맥락적 연속성을 유지하기 위해 중복되는 최적화된 의미론적 청크로 분할됩니다.
- 임베딩 생성: 청크는 고차원 벡터 임베딩으로 변환됩니다.
- 벡터 저장: 임베딩은 즉각적인 유사성 검색을 위해 고성능 벡터 데이터베이스에 저장됩니다.
모범 사례
- 이름 지정: 색인 및 업로드된 파일에 명확하고 설명이 포함된 이름을 사용합니다(예: doc1 대신 HR-Policy-2026).
- 파일 준비: 업로드된 문서가 일반 텍스트인지 확인하세요. 업로드하기 전에 품질이 낮은 스캔을 정리하세요.
- 파일 제한: 표준 업로드는 배치당 최대 10MB의 파일을 지원합니다.
- 적절한 범위: 개인 색인에 민감한 개인 메모를 보관하세요. 팀 리소스를 그룹 인덱스로 이동합니다.