AI 에이전트 →

임베딩 모델Embedding Model

임베딩 모델(Embedding Model)은 글을 지도 위 좌표로 바꿔 주는 번역기 같은 것 — 문장의 의미를 숫자 목록(벡터)으로 바꿔, 뜻이 비슷한 글끼리 가까이 놓이게 만드는 AI 모델이에요.

임베딩 모델은 글을 지도 위의 좌표로 바꿔 주는 번역기와 비슷해요. '강아지 산책법'과 '반려견 걷기 요령'은 단어는 다르지만 뜻이 비슷하니 지도에서 가까운 곳에 찍히고, '세금 신고'는 멀리 찍혀요. 이렇게 의미를 숫자로 바꿔 두면 컴퓨터가 단어가 달라도 비슷한 내용을 찾아낼 수 있어요.

강의에서는 강의 영상 받아쓰기 같은 내 지식을 AI가 찾아 쓸 수 있게 만들 때 임베딩 모델을 써요. OpenAI가 제공하는 임베딩 전용 모델에는 small과 large가 있고, large가 더 정확하다고 소개해요. 강의 전체를 잘게 나눠 임베딩한 뒤 벡터 DB에 저장하면, 질문이 들어왔을 때 의미가 가까운 부분을 찾아 답하는 RAG 챗봇을 만들 수 있어요. 강의에서는 영상 전체를 임베딩해도 비용 부담이 크지 않았다고 설명해요.

small과 large 중에는 정확도가 중요하면 large, 양이 아주 많고 비용을 아끼고 싶으면 small을 고르는 식으로 정해요. 주의할 점은 한 번 정한 모델을 중간에 바꾸면 기존 데이터를 전부 다시 임베딩해야 한다는 거예요. 서로 다른 모델이 만든 좌표는 같은 지도로 비교할 수 없거든요. 또 임베딩 모델은 글을 찾는 역할이고, 답을 쓰는 건 Claude 같은 언어 모델이라는 점도 구분하세요.

💡 대표 예시

  • 지식 DB 구축 — 강의 받아쓰기를 잘게 나눠 임베딩 모델로 벡터화한다
  • RAG 챗봇 — 질문과 가장 가까운 강의 구간을 찾아 답변 근거로 쓴다
  • 모델 선택 — 정확도가 중요해 small 대신 large 모델로 정한다
  • 모델 교체 시 — 기존 데이터를 새 모델로 전부 다시 임베딩한다

🔗 관련 용어

청킹

청킹 (Chunking)은 긴 글을 AI가 읽기 좋게 잘라 나누는 방식 — 두꺼운 책을 챕터별로 쪼개서 필요한 부분만 빠르게 찾아보듯, AI 에이전트 (Agent)가 긴 문서를 적당한 크기의 조각으로 나눠 기억하고 검색한다.

임베딩

임베딩 (Embedding)은 글의 뜻을 지도 위 좌표로 찍어 주는 것 같은 것 — 문장이나 이미지의 의미를 숫자 목록(벡터)으로 바꿔, 뜻이 비슷한 것끼리 가깝게 놓이게 하는 기술이에요.

지식 베이스

지식 베이스 (Knowledge Base)는 AI 에이전트 (Agent)의 개인 도서관 같은 것 — 내가 미리 넣어 둔 자료·문서·규칙을 에이전트가 꺼내 읽고 답변에 활용한다.

RAG (검색 증강 생성)

RAG (Retrieval-Augmented Generation)는 시험 볼 때 참고서를 펴 보고 답을 쓰는 오픈북 시험 같은 것 — AI가 답하기 전에 내 자료에서 관련 내용을 먼저 찾아 그걸 근거로 답하게 하는 방식이에요.

의미 검색(시맨틱 검색)

의미 검색(Semantic Search)은 단어가 아니라 뜻을 알아듣는 도서관 사서 같은 것 — 질문과 글자가 똑같지 않아도 의미가 가까운 내용을 찾아 주는 검색 방식이에요.

벡터 DB

벡터 DB (Vector Database)는 뜻이 비슷한 책끼리 가까이 꽂아 두는 도서관 같은 것 — 임베딩으로 만든 숫자 좌표를 저장하고, 질문과 의미가 가까운 자료를 빠르게 찾아 주는 데이터베이스예요.

이 개념, 직접 적용해볼까요?

AI 에이전트를 직접 만들고 24시간 운영하는 법을 단계별 강의로 배워보세요.