Embedding 개념

글쓴이 /

0. 왜 임베딩이 중요한가?

  • 검색(Search): “강원도 캠핑장 추천”을 검색할 때, 의미가 비슷한 문서를 빠르게 찾는다.
  • 추천(Recommender): “이 노래 좋아하면 이런 곡도 좋아할 것”이라는 거리 근접성을 계산한다.
  • RAG(Retrieval-Augmented Generation): LLM이 답변하기 전에 관련 청크를 찾아 프롬프트에 주입한다.

본질적으로 임베딩은 “의미가 비슷하면 벡터(숫자)가 가까워지도록” 학습된 함수이다.

1. 용어 먼저 정리하기

기호 의미 쉬운 비유
V (Vocabulary size) 모델이 직접 구분할 수 있는 서브워드 조각 개수. 일반적으로 30k ~ 50k. 영어 알파벳 26자 + 자주 쓰는 ‘글자 조각’ 목록
D (Embedding dimension) 하나의 토큰을 표현할 숫자 좌표 수. BERT 계열은 768, 1024 등. 단어를 설명할 “색, 크기, 맛 …” 속성 768가지
n 입력 문장이 토큰화돼 나온 토큰 길이. 입·출력마다 달라진다. “안녕하세요” → n=2, “반갑습니다” → n=3
청크(Chunk) 문서 일부(약 200-400토큰)를 의미 보존·LLM 프롬프트에 넣기 적당한 단위. 한 장짜리 챕터 요약본

2. 임베딩의 역사 – “통계 → 문맥 → 다국어”

세대 대표 기법 핵심 아이디어
① 통계 시대 원-핫, TF-IDF 빈도로만 표현, 문맥 無 → 희소·고차원
② 예측 시대 Word2Vec (2013) 주변 단어 예측(CBOW/Skip-gram)으로 의미 좌표 획득
③ 확장 FastText 서브워드 포함 → OOV(Out-Of-Vocab) 완화
④ 문서 단위 Doc2Vec, Siamese 문장·문단 직접 벡터 학습
⑤ 컨텍스트 시대 ELMo (2018) 양방향 LSTM, 다의어 구분
⑥ Transformer BERT (2018~) Self-Attention, Masked LM → 문맥 의존 임베딩
⑦ 응용 Sentence-BERT, LaBSE ‘문장 쌍 유사도’ 태스크 재학습 → RAG 최적

3. 내부 동작

토큰화(Tokenize) → ID 시퀀스 → 임베딩 행렬 조회(E) → (n × D) 행렬 → 풀링 → D차원 벡터

3-1. 토큰화

  1. 문자열을 서브워드로 쪼갠다.
  2. 각 서브워드는 V 크기 어휘집에서 고정 ID를 갖는다.

예) “안녕하세요” → [1542, 2350], n=2.

3-2. 임베딩 행렬 조회

  • 학습 완료된 E ∈ ℝV×D 가 GPU 메모리에 상주한다.
  • ID = 1542 라면 E[1542] 행을 그대로 복사한다.
  • n개 토큰이면 (n × D) 행렬이 쌓인다.

3-3. 시퀀스 압축(Pooling)

방법 직관 파이썬 한 줄
평균(Mean) “모든 토큰 벡터 평균이 문장 의미” vec = emb.mean(0)
최대(Max) “각 차원 중 가장 강한 특징” vec = emb.max(0)
[CLS] Transformer가 문장 대표로 내놓는 첫 토큰 vec = emb[0]

풀링이 n을 지워버리므로 최종 결과는 항상 D차원이다.

4. 예제로 따라가기

가정 : V=50k, D=768, 문장 길이 n=4.

“AI 임베딩 재미있다”
 └▶ [1010, 4123, 9981, 7777]  (n=4)
      ↓
E[1010]…E[7777]   →   (4 × 768) 행렬
      ↓ 평균
하나의 768차원 벡터 완성

→ 이제 이 벡터 한 줄이 “AI 임베딩 재미있다”의 의미 좌표다.

5. 청크가 벡터 하나가 되는 이유

구분 과정 결과 크기
문장 (n≈20) 토큰화 → 조회 → 풀링 1 × 768
청크 (n≈300) 동일 과정 1 × 768
문서(수천) 너무 길어 여러 청크로 나눔 청크 개수 × 768
  • 즉 길이가 다를 뿐 토큰-ID-조회-풀링 공식은 불변이다.
  • RAG는 이렇게 만든 “청크 벡터”끼리 코사인 유사도를 계산해 “관련 청크 k개”를 뽑는다.

6. RAG 파이프라인 속 임베딩

flowchart LR
    A[문서 PDF] -->|청크 분할| B[청크 리스트]
    B --> C[SBERT 임베딩] --> D[(FAISS 인덱스)]
    U[사용자 질문] --> Cq[질문 임베딩] --> D
    D -->|Top-k ID| E{청크 원문}
    E -->|컨텍스트| L[LLM 생성] --> O[답변]
  1. 오프라인: 문서 → 청크 → 벡터 .npy + id_map 저장 후 인덱싱.
  2. 온라인: 질문 벡터 ↔ 인덱스 → 관련 청크 → LLM 프롬프트 주입.

7. 메타데이터 주입과 하이브리드 검색

기법 한 줄 요약 장점
벡터+메타 Concatenate [텍스트 벡터 ‖ 날짜 벡터] 시간·카테고리 필터링까지 한 방에
Sparse+Dense Hybrid BM25 1차 후보 → 임베딩 재랭크 키워드·의미 둘 다 잡는다
재랭킹 가중치 최종 점수 = cosSim × (1+신뢰도) 구조화 점수(저자, 권위 등) 반영

8. 실전 엔지니어링 팁

체크포인트 이유·팁
청크 크기 200~400 토큰. 너무 작으면 맥락 손실, 너무 크면 LLM 입력 초과.
.npy np.save()로 (N,768) 한 번 저장 → 모델 재실행 無.
id_map np.save("id_map.npy", np.array(pks)) → 검색 결과 해석용.
인덱스 선택 IndexFlatIP: 소규모 디버그 / HNSW, IVF: 대용량 운영
8-bit 양자화 메모리 4×↓, 속도 ↑. 검색 정확도 1~2% 감소 수준.
GPU-FAISS 수억 벡터도 ms 단위 검색. Docker로 쉽게 배포 가능.

9. 최신 트렌드

  1. 경량화 모델: DistilBERT, TinyBERT, MiniLM → 모바일 온-디바이스 임베딩.
  2. LoRA·QLoRA 파인튜닝: 수 MB 추가 파라미터만으로 도메인 적응.
  3. 멀티모달 벡터: CLIP, Gemini Vision으로 텍스트＋이미지 검색.
  4. pgvector v4: Postgres에서도 Dense+Sparse 동시 질의.
  5. RAFT + GPU-FAISS: 대용량 인덱스 장애 복구·마이그레이션 자동화.

10. 한계와 주의점

영역 제약·위험
다의어 완전 해결 X BERT도 극단적 문맥은 오해할 수 있다.
OOV 특수문자 OCR 오류·이모지 등은 서브워드 분해로 의미 희석.
데이터 편향 훈련 코퍼스 쏠림 → 벡터 편향 → 추천·검색 편향.
운영 비용 대형 Transformer 100 ms↑ → Distillation·캐싱 필수.

11. 치트시트 (요약표)

질문 3초 답
임베딩이란? 텍스트 ➜ 고정 차원 벡터 변환 함수
V, D? V = 어휘집 크기, D = 벡터 차원
문장·청크 차이? 길이만 다름. 과정은 동일 → 둘 다 벡터 하나
RAG 흐름? 질문 벡터 ↔ 인덱스 ↔ 관련 청크 ↔ LLM
필수 파일? .npy 벡터, id_map 매핑
좋은 청크 크기? 200 ~ 400 토큰

12. 마무리

임베딩은 “텍스트를 숫자로 번역” 하는 인공지능의 관문이다.

Word2Vec에서 BERT·SBERT까지 진화하며 검색, 추천, RAG의 필수 모듈이 되었고,

메타데이터 주입·하이브리드 검색·경량화로 서비스 품질과 운영 효율을 동시에 잡는다.

참고 자료

  • Mikolov et al., Efficient Estimation of Word Representations in Vector Space (2013)
  • Reimers & Gurevych, Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks (2019)
  • Facebook Research, FAISS: https://github.com/facebookresearch/faiss
  • Sentence-Transformers: https://sbert.net
  • OpenAI text-embedding-ada-002 API: https://platform.openai.com/docs/api-reference/embeddings

관련 게시물

위로 스크롤