최신 기사
벡터 검색이 Foundry IQ와 연동되는 방식: Microsoft 공식 문서 기준
Microsoft에 따르면 Azure AI Search는 Foundry IQ의 기반으로도 동작하며, Foundry IQ는 Microsoft Foundry 포털의 에이전트를 위해 기업 콘텐츠를 재사용 가능하고 권한 인식(permission-aware)이 가능한 지식 베이스로 변환하는 관리형 지식 계층입니다. 특정 환경에서의 실제 작동 방식은 별도 검증이 필요합니다.
전문 검색과 벡터 검색: 일치와 유사, 어떻게 구분해 쓸까
제품 코드를 검색하면 정확히 그 코드가 나와야 합니다. 반면 "강아지를 돌보는 방법"을 물었을 때는 'canine care'처럼 표현이 달라도 관련 문서가 나오면 더 유용합니다. 이 두 가지 요구는 서로 다른 검색 방식에서 나옵니다. 어느 쪽을 써야 하는지, 혹은 둘 다 써야 하는지를 결정하는 기준이 바로 이 글의 핵심 질문입니다.
Microsoft가 공개한 Azure AI Search 공식 문서에 따르면, 벡터 검색(vector search)은 콘텐츠의 수치 표현(numeric representations)을 색인하고 조회하는 정보 검색 방식입니다. 텍스트가 아닌 수치로 표현되기 때문에, 쿼리 벡터와 가장 유사한 벡터를 기준으로 일치 여부를 판단합니다.
이 방식 덕분에 '언어는 다르지만 뜻이 같은 단어'나 '텍스트와 이미지처럼 형식이 다른 콘텐츠' 사이에서도 유사도 기반 매칭이 가능해집니다. 반면 전문 검색(full-text search)은 역색인(inverted index)을 활용해 키워드를 정밀하게 찾는 방식으로, 제품 코드·날짜·고유명사처럼 정확한 일치가 중요한 상황에 강점이 있습니다.
하이브리드 검색: 두 방식을 하나의 요청으로
Microsoft의 Azure AI Search 공식 문서는 하이브리드 검색(hybrid search)을 "전문 검색과 벡터 검색 양쪽을 모두 포함하는 단일 쿼리 요청"으로 정의합니다. 쿼리 파라미터로는 search와 vectorQueries를 함께 사용합니다.
이 요청은 일반 텍스트 콘텐츠와 생성된 임베딩(embeddings)을 모두 포함하는 검색 인덱스를 대상으로 실행됩니다.
전문 검색과 벡터 검색은 서로 다른 순위 함수를 사용하므로, 두 결과를 하나로 합칠 때는 결과를 통합하는 알고리즘이 필요합니다. Microsoft 문서는 RRF(Reciprocal Rank Fusion)를 이 통합 단계에서 사용한다고 설명하며, 최종 응답은 단일 결과 집합으로 제공된다고 명시합니다. 이 통합 방식의 실제 검색 품질은 이 근거만으로는 독립적으로 검증되지 않습니다.
상황별 선택 기준과 평가 시 확인할 조건
Microsoft 공식 문서에 따르면, Azure AI Search의 벡터 검색은 유사도 검색(similarity search), 하이브리드 검색, 멀티모달 검색, 다국어 검색 등의 시나리오를 지원한다고 설명합니다. 지원 시나리오의 실제 범위와 각 환경에서의 성능은 이 근거가 다루는 공식 문서 범위 내에서만 확인할 수 있습니다.
실무에서 선택 기준을 세울 때는 다음 두 축이 유용합니다. 첫째, 검색 대상이 '정확한 값'인지 '의미적 유사성'인지를 먼저 확인합니다. 제품 코드·날짜·고유명사처럼 표기가 고정된 값이라면 전문 검색이 적합하고, 개념이나 의도를 기준으로 찾아야 한다면 벡터 검색이 더 넓은 범위를 커버합니다. 둘째, 두 조건이 동시에 필요한 경우에는 하이브리드 검색을 시도해 볼 수 있지만, 실제 검색 품질은 인덱스 구성과 데이터 특성에 따라 달라지므로 자체 데이터로 직접 평가해야 합니다.
Azure AI Search는 Microsoft Foundry 포털의 에이전트를 위해 기업 콘텐츠를 재사용 가능하고 권한 인식(permission-aware)이 가능한 지식 베이스로 변환하는 관리형 지식 계층인 Foundry IQ를 기반으로도 동작한다고 Microsoft는 설명합니다. 이 연동 구조가 특정 환경에서 어떻게 작동하는지는 별도 검증이 필요합니다.
전문 검색과 벡터 검색 중 어느 것이 더 나은지는 데이터와 질문의 성격에 달려 있습니다. '정확한 일치'가 핵심이면 전문 검색부터, '의미 유사성'이 중요하면 벡터 검색부터 시작하고, 두 조건이 모두 있다면 하이브리드 검색을 자체 데이터로 테스트해 보는 것이 현실적인 접근입니다. 벤더 문서의 시나리오 목록은 출발점이지, 자체 환경에서의 성능을 보장하지는 않습니다.
출처
변경 이력
- rev.1공개일
