AutoAI RAG 패턴 디테일

AutoAI RAG 실험이 완료되면 패턴의 세부 정보를 확인하여 구성과 성능을 파악하세요.

패턴 세부사항

패턴 이름을 클릭하면 패턴에 대한 다음 구성 세부 정보를 검토할 수 있습니다. 두 패턴을 비교하려면, 패턴 비교를 토글로 전환하고 비교할 패턴을 선택합니다. 일부 구성 설정은 실험을 만들 때 편집할 수 있습니다. 자세한 내용은 RAG 실험 설정 사용자 지정을 참고하세요.

패턴 정보

컬럼	설명
패턴	패턴 이름
스코어 유형	성과 지표가 계산되고 표시되는 방식. - 평균: 지표의 평균 점수. - CI 상한: 평균 점수에 대한 신뢰 구간(CI)의 상한으로, 지표가 달성할 가능성이 있는 가장 높은 값을 나타냅니다. - CI 하한: 평균 점수에 대한 신뢰 구간(CI)의 하한으로, 지표가 달성할 가능성이 있는 가장 낮은 값을 나타냅니다.
답변 정확도	검색된 문맥의 관련성과 생성된 응답의 품질을 모두 포함하여 생성된 응답의 정확성입니다.
답변 충실도	검색된 텍스트에 대해 생성된 응답의 정확성.
문맥 정확성	입력에 대해 생성된 응답의 관련성.

벡터 저장소

컬럼	설명
벡터 저장소 데이터 소스 유형	벡터 저장소에 연결되는 데이터 소스입니다.
벡터 저장소 거리 메트릭	저장된 벡터가 입력 벡터와 얼마나 연관성이 있는지 측정하는 데 사용되는 메트릭입니다.
벡터 저장소 인덱스 이름	벡터 저장소를 저장하고 검색하기 위한 데이터 구조로 사용되는 인덱스입니다.
벡터 저장소 조작	데이터 검색을 위한 벡터 저장소 작업. 예를 들어, 데이터베이스 테이블에 행을 삽입하거나 업데이트하는 업서트(upsert)가 있습니다.
벡터 저장소 스키마 필드	벡터화된 문서의 색인을 저장하기 위한 스키마입니다.
벡터 스토어 스키마 ID	벡터 스토어 스키마의 고유 식별자입니다.
벡터 저장소 스키마 이름	데이터베이스 테이블을 구조화하는 데 사용되는 스키마의 이름입니다
벡터 저장소 스키마 유형	스키마에 저장할 수 있는 데이터의 종류와 데이터에 수행할 수 있는 작업을 결정합니다. 스키마 유형 구조는 구조화된 데이터를 저장하는 데 사용됩니다.

청킹

컬럼	설명
청크 겹침	공통 단어나 구문을 공유하는 청크의 수입니다.
청크 크기	인덱스 문서에서 검색된 데이터의 양입니다.
청크 증대	입력을 여러 청크로 분할한 후 각 청크에 대해 관련 텍스트가 검색되는 방식입니다.

임베딩

컬럼	설명
모델 임베드	문서 콜렉션을 벡터화하고 인덱싱하는 데 사용되는 임베딩 모델입니다.
입력 토큰 잘라내기	입력으로 허용되는 최대 토큰 수입니다.
잘라내기 전략	모델 성능을 최적화하기 위해 검색된 문서를 처리하는 방법을 결정하는 데 사용되는 전략입니다.

검색

컬럼	설명
검색 방법	인덱싱된 문서를 검색하는 데 사용되는 방법: 창 또는 단순.
청크 수	인덱싱된 문서에서 검색된 청크의 수입니다.
창 크기	인덱싱된 문서에서 텍스트를 검색할 때 모델이 고려하는 인접 토큰의 수입니다.

세대

컬럼	설명
컨텍스트 템플리트 텍스트	생성된 응답을 위한 구조화된 템플리트입니다.
기초 모델	실험에 사용된 파운데이션 모델입니다. 모델에 대한 자세한 내용을 보려면 미리보기 아이콘을 클릭합니다.
디코딩 방법	생성된 출력에서 ​​토큰을 선택하는 데 모델이 사용하는 프로세스입니다.
최대 신규 토큰	인덱싱된 문서에서 검색된 토큰 외에 생성할 수 있는 새 토큰의 최대 개수입니다.
최소 신규 토큰	생성 가능한 최소 토큰 수입니다.
프롬프트 템플리트 텍스트	인덱싱된 문서에서 텍스트를 검색할 때 사용할 모델에 대한 지침이 포함된 구조입니다.
단어 대 토큰 비율	텍스트의 단어 수를 생성된 토큰의 수로 나눈 값입니다.

샘플 Q&A

컬럼	설명
샘플 Q&A	패턴의 성능을 측정하기 위한 테스트 데이터로 제공되는 질문과 정답입니다. 예:

상위 주제: AutoAI RAG 패턴 자동화하기