예시 답변 1
약 78초
임베딩 기반 유사도 검색과 리랭킹 모델 적용으로 검색 결과 관련성 개선 결
검색 품질 개선 프로젝트에서 처음 시도한 것은 키워드 매칭에서 임베딩 기반 유사도 검색으로의 전환이었습니다. text-embedding 모델로 문서와 쿼리를 벡터화하고, 코사인 유사도 기준으로 후보를 추출하는 방식을 적용했습니다.
그런데 임베딩 검색만으로는 정확한 표현이 포함된 문서를 놓치는 경우가 생겼습니다. 이를 보완하기 위해 BM25와 임베딩 결과를 합산하는 하이브리드 검색 구조를 도입했고, 두 방식의 점수를 가중 합산해 최종 순서를 결정했습니다.
마지막으로 리랭킹 모델을 상위 결과에 적용했습니다. 후보 20개를 재정렬하는 단계를 추가하니 사용자 클릭률이 눈에 띄게 올랐습니다. 전체 검색 파이프라인을 단계별로 분리해 각 단계를 독립 평가하니 어느 구간이 병목인지 파악하기 쉬웠습니다.
이 결의 특징
검색 시스템을 키워드 매칭에서 임베딩 기반 유사도 검색으로 전환한 구체 과정이 드러납니다. 정확한 표현 포함 문서를 놓치는 문제를 BM25와 임베딩을 결합한 하이브리드 검색으로 해결한 기록이 나타납니다.
이 결이 통하는 자리
단일 기법의 한계를 인식하고 보완 기법을 조합한 실용성이 살아 있을 때 통합니다. 리랭킹 모델 적용 후 클릭률 상승이라는 구체 성과가 드러날 때 면접관은 '이 사람의 개선은 증명 가능하다'고 신뢰합니다.