AI/ML
Graph RAG가 벡터 RAG보다 나은 순간과 아닌 순간
RAG를 붙였는데 답이 신통치 않을 때 나오는 흔한 처방이 "그래프로 바꿔보자"입니다. 그런데 그래프로 옮기고도 그대로인 경우가 적지 않습니다. 검색 방식이 문제가 아니었기 때문입니다.
#RAG
총 4개의 아티클
기술
오픈소스 LLM으로 제조 특화 LLM 만들기 — 2026년 기준 기술 지도
공장 데이터는 밖으로 못 나갑니다. 공정 조건, 수율, 설비 파라미터는 그 자체가 영업기밀이라, 제조기업이 AI를 검토할 때 가장 먼저 부딪히는 요구가 "우리 서버 안에서 돌아야 한다"입니다. 이 요구가 오픈소스(정확히는 오픈웨이트) LLM 채택의 1차 동력입니다.
인사이트
제조 현장에서 ChatGPT를 못 믿는 이유, 그리고 환각 없는 제조 AI
생성형 AI가 화제가 되면서, 한 번쯤 이런 실험을 해보셨을 겁니다. 공장 데이터를 AI에 넣고 "이 불량의 원인이 뭐냐"고 물어보는 것. 그럴듯한 답이 나옵니다. 문장은 매끄럽고 자신감도 넘칩니다. 그런데 막상 현장 담당자가 보면 고개를 갸웃합니다. "이 설비는 그 공정에 안 쓰이는데?"
기술
제조 현장 AI는 왜 자꾸 틀릴까: 검색을 네 갈래로 쪼갠 이야기
현장에 데모를 들고 가면 거의 매번 똑같은 장면이 나옵니다. 공장장님이 팔짱을 끼고 한참 보다가 이렇게 말씀하세요. "답은 잘 하네. 근데 이거 믿고 일해도 돼요?"
