이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
두 용어는 자주 혼용되는데, 제가 이해한 구분은 이렇습니다. 시맨틱 검색은 쿼리의 의미를 파악해 관련된 결과를 돌려주는 것이 목표이고, 구현 방식은 키워드 확장, 동의어 사전, 임베딩 등 다양합니다. 벡터 검색은 그 구현 방식 중 하나로, 쿼리와 문서를 모두 임베딩해 코사인 유사도나 FAISS 같은 k-NN 인덱스로 가장 가까운 벡터를 찾습니다. 키워드 검색은 정확한 단어 매칭에 강하고, 벡터 검색은 문맥이 비슷한 문서를 찾는 데 강합니다. 실제 서비스에서 두 방식을 결합한 하이브리드 검색이 많이 쓰이는데, 그 이유는 한쪽만으로는 놓치는 케이스가 분명히 있기 때문입니다.
시맨틱 검색을 실제로 구현해본 것은 학교 프로젝트에서 문서 검색 기능을 만들 때였습니다. 처음에는 단순 키워드 매칭으로 구현했는데, 의미는 같지만 단어가 다른 쿼리는 전혀 찾지 못하는 문제가 있었습니다. Sentence Transformers로 문서를 임베딩하고 코사인 유사도로 검색하는 방식으로 바꾸니, 자동차 수리 쿼리로 차량 정비 문서가 검색되는 것을 확인했습니다. 흥미로웠던 것은 임베딩 모델을 바꾸면 검색 결과가 크게 달라진다는 것이었는데, 도메인에 맞는 모델을 고르는 것이 구현만큼 중요하다는 것을 배웠습니다.
검색 품질은 알고리즘보다 어떤 임베딩을 쓰느냐가 더 결정적인 경우가 많다는 것을 직접 경험했습니다.
벡터 검색을 쓰면서 키워드 검색이 여전히 필요한 경우가 분명히 있다는 것을 실험으로 확인했습니다. 모델명이나 제품 코드처럼 정확한 고유명사를 검색할 때 벡터 검색은 유사한 의미의 다른 결과를 가져오는 경우가 있었습니다. 의미 유사성이 오히려 방해가 됐습니다.
BM25 같은 키워드 기반 검색을 함께 쓰는 하이브리드 방식이 이 문제를 줄이는 데 효과적이었는데, 두 방식의 점수를 어떻게 결합할지는 사용 케이스마다 달랐습니다. 벡터 검색이 강한 자리와 키워드 검색이 강한 자리를 먼저 파악하는 것이 하이브리드 설계의 시작점이라는 것을 배웠습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 CJ올리브영 백엔드 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.