LLM Wiki

PIKE-RAG: 전문 지식과 추론으로 정확도를 높인 Microsoft의 산업용 RAG 프레임워크

Properties2
descriptionMicrosoft의 산업용 RAG 프레임워크 PIKE-RAG — 도메인 지식 추출과 추론 근거 구축을 분리해 HotpotQA 87.6%, MuSiQue 59.6% 정확도를 보고.
tagsai-agents, open-source, research

5 min read

출처

개요

PIKE-RAG(sPecIalized KnowledgE and Rationale Augmented Generation)는 전문 분야의 복잡한 질의에서 일반 RAG가 겪는 한계를 풀기 위해 Microsoft가 제안한 산업용 RAG 프레임워크다. 단순 검색만으로는 전문 자료에서 깊은 도메인 지식을 끌어내거나 논리적 추론을 수행하기 어렵다는 문제의식에서, “도메인 지식을 추출·이해·적용하는 과정”과 “답에 이르는 일관된 추론 논리를 세우는 과정”을 분리해서 접근한다.

핵심 포인트

  • 문제 정의: 부적절한 청킹으로 의미 연결이 끊기는 문제, 임베딩 모델이 전문 용어·별칭을 정렬하지 못해 검색 정확도가 떨어지는 문제를 맥락 고려 분할, 자동 용어 라벨 정렬, 다중 granularity 지식 추출로 해결.
  • 난이도 분류 체계: 산업용 RAG 문제를 L1(사실 검색 중심)부터 L4(사실 기반 창의적 생성)까지 분류하고, 난이도별로 다른 능력에 특화된 파이프라인을 구성할 수 있음을 기술 보고서에서 보임.
  • 7개 모듈 구조: 문서 파싱(PDF 변환·OCR·레이아웃 분석) → 지식 추출(청킹·태깅·정제된 지식 생성) → 지식 저장(텍스트/임베딩/이미지·표/지식) → 지식 검색(텍스트·임베딩·정제 지식 검색) → 지식 조직화(재순위화·집계·구조화·귀납) → 지식 중심 추론(다중 홉·비교 추론·요약·예측) → 작업 분해 및 조정(규칙 기반·파운데이션 모델 기반·멀티 에이전트 계획). 문서·코퍼스·정제된 지식을 잇는 이종 그래프(Heterogeneous Graph)로 세 계층을 연결.
  • 벤치마크 정확도: HotpotQA 87.6%, 2WikiMultiHopQA 82.0%, MuSiQue 59.6% — 셋 다 여러 문서에 흩어진 정보를 단계적으로 통합·추론해야 하는 다중 홉 QA 과제이며 MuSiQue가 가장 어려움. 제조·광업·제약 분야 질의응답 정확도를 크게 개선했다고 저자들은 밝힘.
  • 설치: git clone 후 Python 환경 구성 → .env에 엔드포인트 정보 설정 → examples/ 아래 YAML 설정 수정 후 스크립트 실행. MuSiQue 실험 재현 가이드도 저장소에 공개. MIT 라이선스.

왜 중요한가

“검색”과 “추론”을 아키텍처 단계에서부터 분리하고, 문제 난이도(L1~L4)별로 다른 파이프라인을 조합할 수 있게 설계한 점이 일반적인 단일 파이프라인 RAG 프레임워크와 차별화된다. LightRAG·GraphRAG·Cognee 등 지식 그래프 기반 RAG 계열과 비교할 때, PIKE-RAG는 산업 도메인의 전문 용어 정렬 문제를 정면으로 다룬다는 점이 특징.

더 읽어보기 (원문 인용)

참고 링크

관련 위키

백링크