logo

애플리케이션에 AI 검색 기능 구축

Elasticsearch Relevance Engine™(ESRE)은 인공지능 기반 검색 애플리케이션을 지원하도록 설계되었습니다. ESRE를 사용하면 즉시 시맨틱 검색을 적용하고, 외부 대규모 언어 모델(LLM)과 통합하고, 하이브리드 검색을 구현하고, 서드파티 또는 나만의 트랜스포머 모델을 사용할 수 있습니다.

시작하기
Video thumbnail

Elasticsearch Relevance Engine 설정을 시작하는 것이 얼마나 쉬운지 알아보세요.

빠른 시작 동영상 보기

ESRE를 사용하여 고급 RAG 기반 애플리케이션을 구축하세요.

교육 등록하기

프라이빗 내부 데이터를 생성형 AI 모델의 기능과 함께 컨텍스트로 사용하여 사용자 쿼리에 대한 신뢰할 수 있는 최신 응답을 제공하세요.

동영상 보기

모든 개발자를 위한 AI

AI로 검색 기능 향상

전문 지식 수준에 상관없이 ESRE를 통해 애플리케이션에 고급 AI 정확도 기능을 제공하세요. ESRE에는 AI를 이용한 경험을 바탕으로 시작하거나 구축하는 데 도움이 되는 일체의 기능이 있습니다. 머신 러닝과 생성형 AI 검색 앱을 원하는 대로 배포할 수 있는 유연성과 제어력을 갖추세요.

  • 시맨틱 검색이 처음이신가요?

    시맨틱 검색을 애플리케이션에 제공하는 데는 고도의 전문 지식이 필요하지 않습니다. Elastic Learned Sparse Encoder 모델을 통해 동급 최강의 시맨틱 검색을 바로 이용하세요. 간소화된 배포를 통해 교육을 대폭 강화하지 않고도 시맨틱 검색을 신속하게 제공하기 시작하고 머신 러닝 모델을 유지 관리할 수 있습니다.

  • 임베딩 및 검색 벡터에 익숙하신가요?

    비정형 데이터를 벡터 임베딩으로 변환하고, 최근접 유사 항목 검색을 사용하여 효율적으로 검색하세요. 상황에 맞는 창에서 자신의 도메인별 데이터를 결합하여 LLM의 인간과 같은 출력의 정확도를 개선하세요.

  • 나만의 트랜스포머 모델 가져오기

    Eland Python 라이브러리를 사용하여 자신만의 훈련된 머신 러닝 모델을 가져오거나 HuggingFace와 같은 퍼블릭 리포지토리에서 서드파티 모델을 사용하세요. 필요에 맞는 다양한 지원 아키텍처 중에서 선택할 수 있습니다.

Elasticsearch Relevance Engine

Elasticsearch - 강력한 올인원 벡터 검색 도구

임베딩을 생성하세요. 벡터를 저장, 검색 및 관리하세요. Elastic만의 Learned Sparse Encoder 머신 러닝 모델로 시맨틱 검색을 확보하세요. 모든 데이터 유형을 수집하세요. 빠르게 진화하는 대규모 언어 모델과 통합하세요.

  • RRF 하이브리드 순위 지정

    RRF(Reciprocal Rank Fusion)는 여러 검색 시스템의 문서 순위를 결합하는 방법입니다. 가까운 미래에, RRF는 BM25와 같은 희소 벡터 모델과 Elastic의 검색 모델의 혼합 결과를 지원하여 동급 최고의 제로 샷 순위 지정 방법을 산출할 것입니다. RRF를 통한 하이브리드 순위 지정을 사용하면 더 적은 노력으로 여러 검색기의 검색 결과를 조정할 수 있습니다.

  • Elastic Learned Sparse Encoder

    Elastic의 새로운 모델은 도메인 적응 없이 즉시 정확도가 높은 시맨틱 검색을 제공합니다. 검색 애플리케이션을 구성할 때 클릭 한 번으로 사용할 수 있습니다. Elastic Learned Sparse Encoder는 정확한 키워드와 정확도 점수로 쿼리를 확장하여, 쉽게 해석할 수 있고 바로 사용할 수 있습니다.

  • 검색 증강 생성

    공개적으로 훈련된 데이터뿐만 아니라 프라이빗 데이터를 사용하여 LLM에 비즈니스별 정보를 제공합니다. 독점 데이터를 활용하여 LLM 출력 및 정확도를 개선하는 정확도가 높은 컨텍스트 창을 위해 Elasticsearch를 사용하세요. 선택한 LLM에 통합된 API와 플러그인으로 생성형 AI에 액세스하세요.

  • 벡터 데이터베이스

    규모에 맞게 전체 벡터 검색 경험을 확보하세요. 임베딩을 저장 및 검색할 뿐만 아니라 생성할 수도 있습니다! 고밀도 검색을 위한 임베딩을 통해, 텍스트 및 이미지를 포함한 비정형 데이터의 의미와 컨텍스트를 캡처하세요. 문서 수준에서 임베딩을 보호하여 데이터가 올바른 위치에 있는지 확인하세요.

  • 나만의 트랜스포머 모델 가져오기

    독자적인 고유 트랜스포머 모델을 Elastic으로 가져오세요. 또는 BERT, BART, ELECTRA 등 다양한 아키텍처를 지원하는 HuggingFace 모델 허브와 같은 서드파티 리포지토리에서 사전 교육을 받은 모델을 업로드하세요.

  • 데이터 통합 및 수집 라이브러리

    Elastic Agent 또는 Logstash와 같은 친숙한 도구를 사용하여 데이터를 색인하세요. 지속적으로 확장되는 통합 목록(예: Confluence, S3 또는 Google Drive). 네이티브 데이터베이스 커넥터(MySQL, MongoDB 등). 온라인 소스를 위한 웹 크롤러. 사용자 정의 앱 데이터의 경우, Kibana API 또는 친숙한 프레임워크를 사용하는 직접 만든 커넥터.

Chris Brown, Chief Product Officer, Relativity

"RelativityOne 내에서 Elasticsearch를 활용하기 위한 투자를 통해 고객에게 제공할 수 있는 이점에 대해 기쁘게 생각합니다. 현재 ESRE를 실험 중이며 고객에게 강력한 AI 증강 검색 결과를 제공할 수 있는 잠재력에 기대가 큽니다."

Chris Brown, Relativity 최고 제품 책임자

코드 샘플

벡터 검색 빌드 시작

단일 API를 사용하여 임베딩 모델을 가져오고, 임베딩을 생성하며, 최근접 유사 항목(ANN) 검색을 사용하여 검색 쿼리를 작성하세요.

docker run -it --rm elastic/eland \
eland_import_hub_model \
--cloud-id $CLOUD_ID \
-u <username> -p <password> \
--hub-model-id sentence-transformers/msmarco-MiniLM-L-12-v3 \
--task-type text_embedding \
--start

자주 묻는 질문

Elasticsearch Relevance Engine이란 무엇인가요?

Elasticsearch Relevance Engine은 개발자가 AI 검색 애플리케이션을 구축하는 데 도움이 되는 기능 세트이며 다음을 포함합니다.

  • 모든 도메인에 대한 정확도가 높은 하이브리드 검색의 기반인 BM25를 사용한 기존 키워드 검색 등 업계를 앞서가는 고급 정확도 순위 지정 기능.
  • 벡터의 저장 및 검색뿐만 아니라 임베딩을 만드는 기능을 포함한 전체 벡터 데이터베이스 기능.
  • 다양한 도메인에서 시맨틱 검색을 위한 Elastic의 새로운 머신 러닝 모델인 Elastic Learned Sparse Encoder. 다양한 도메인에서 최적의 검색 정확도를 위해 벡터 및 텍스트 검색 기능을 쌍으로 구성하는 하이브리드 순위 지정(RRF).
  • API를 통해 OpenAI GPT-3 및 4와 같은 서드파티 트랜스포머 모델 통합 지원.
  • 데이터베이스 커넥터, 서드파티 데이터 통합, 웹 크롤러와 같은 데이터 수집 도구 전체 제품군 및 사용자 정의 커넥터를 생성하기 위한 API.
  • 텍스트, 이미지, 시계열, 위치 정보, 멀티미디어 등 모든 유형의 데이터에 걸쳐 검색 애플리케이션을 구축하기 위한 개발자 도구.

Elasticsearch와 함께 사용하는 ChatGPT에 대해 자세히 알아보기

Elasticsearch의 검색 정확도를 OpenAI의 ChatGPT 질문-답변과 결합하여 개인 데이터를 쿼리하는 방법을 자세히 알아보세요.

블로그 보기