sy/dev

Series

AI Search Technology Meetup

24 posts in this series

  1. 1

    AI Search는 Vector DB만으로 끝나지 않는다

    Concept2026-07-06 09:0019 min read

    AI Search Technology Meetup in Seoul에서 소개된 논문들을 바탕으로, 현대 AI Search stack을 index, retrieval, reranking, data, agentic search, evaluation 관점에서 정리하는 시리즈를 시작한다.

  2. 2

    [AI Search] Roaring Bitmap: Vector Search 이전에 필요한 빠른 필터링

    Paper Review2026-07-06 09:0018 min read

    Roaring Bitmap 논문을 AI Search stack의 가장 아래층인 filtering index 관점에서 읽는다. Vector search가 좋아져도 권한, tenant, 날짜, 언어 같은 hard filter는 빠르고 정확한 set operation 위에서 처리되어야 한다.

  3. 3

    [AI Search] ColBERT: 문서를 하나의 벡터로 뭉개지 않는 검색

    Paper Review2026-07-06 09:0021 min read

    ColBERT 논문을 AI Search stack의 neural retrieval 계층에서 읽는다. Cross-encoder처럼 세밀하게 비교하고 싶지만 production latency는 지켜야 할 때, late interaction이 어떤 절충점을 만드는지 정리한다.

  4. 4

    [AI Search] PLAID: ColBERT를 빠르게 만드는 검색 엔진

    Paper Review2026-07-06 09:0019 min read

    PLAID 논문을 ColBERT 계열 late interaction retrieval의 운영 엔진 관점에서 읽는다. 품질 좋은 multi-vector 검색을 실제 latency budget 안으로 넣기 위해 centroid interaction과 centroid pruning이 어떻게 쓰이는지 정리한다.

  5. 5

    [AI Search] SPLATE: Sparse Retrieval과 Late Interaction의 만남

    Paper Review2026-07-06 09:0019 min read

    SPLATE 논문을 AI Search stack 관점에서 읽는다. ColBERTv2의 frozen token embedding을 sparse vocabulary space로 매핑해, late interaction retrieval의 candidate generation을 전통적인 sparse retrieval 인프라로 처리하는 아이디어를 정리한다.

  6. 6

    [AI Search] LIMIT: Embedding Search의 이론적 한계

    Paper Review2026-07-06 09:0022 min read

    LIMIT 논문을 AI Search stack 관점에서 읽는다. single-vector embedding retrieval이 왜 모든 top-k relevance 조합을 표현할 수 없는지, 그리고 이 한계가 단순한 학습 데이터 부족이 아니라 embedding dimension과 검색 표현 방식의 문제일 수 있음을 정리한다.

  7. 7

    [AI Search] Gemini Embedding 2: Multimodal Search를 위한 Unified Embedding

    Paper Review2026-07-06 09:0021 min read

    Gemini Embedding 2 논문을 AI Search stack 관점에서 읽는다. 텍스트, 이미지, 비디오, 오디오를 하나의 embedding space로 묶는 native multimodal embedding이 검색 시스템과 RAG, 추천, agentic search에 어떤 의미를 갖는지 정리한다.

  8. 8

    [AI Search] Position Bias: Dense Retriever가 문서 앞쪽을 좋아하는 이유

    Paper Review2026-07-06 09:0020 min read

    Position Bias in Dense Retrievers 논문을 AI Search stack 관점에서 읽는다. Dense retriever의 위치 편향이 모델 구조만의 문제가 아니라 fine-tuning 데이터에서 정답 근거가 어디에 있었는지에 의해 강하게 학습될 수 있음을 정리한다.

  9. 9

    [AI Search] AcuRank: Reranking Compute를 어려운 쿼리에 더 쓰는 법

    Paper Review2026-07-06 09:0025 min read

    AcuRank 논문을 AI Search stack 관점에서 읽는다. LLM listwise reranker를 고정된 횟수로 돌리는 대신, TrueSkill 기반 불확실성으로 top-k 경계가 애매한 문서에 reranking compute를 집중하는 방법을 정리한다.

  10. 10

    [AI Search] LDAR: Long Context와 RAG 사이에서 Distractor를 피하는 검색

    Paper Review2026-07-06 09:0024 min read

    LDAR 논문을 AI Search stack 관점에서 읽는다. Long-context LLM에 모든 문서를 넣는 방식과 top-k RAG 사이에서, LLM이 distractor에 흔들리지 않도록 similarity distribution만 보고 검색 범위를 학습하는 방법을 정리한다.

  11. 11

    [AI Search] GlotLID: Multilingual Search의 첫 번째 게이트

    Paper Review2026-07-06 09:0023 min read

    GlotLID 논문을 AI Search stack 관점에서 읽는다. 다국어 검색·RAG에서 언어 식별은 작은 전처리처럼 보이지만, 실제로는 인덱스 라우팅, 데이터 정제, low-resource corpus 품질을 결정하는 첫 번째 게이트다.

  12. 12

    [AI Search] FineWeb2: Multilingual Search를 위한 데이터 파이프라인

    Paper Review2026-07-07 09:0028 min read

    FineWeb2 논문을 AI Search stack 관점에서 읽는다. 다국어 검색 품질은 retrieval model만의 문제가 아니라 언어 식별, deduplication, 언어별 filtering, quality-aware rebalancing으로 만들어지는 데이터 파이프라인 문제다.

  13. 13

    [AI Search] GLiNER: 검색 문서에서 원하는 Entity를 바로 뽑는 Open NER

    Paper Review2026-07-07 09:0023 min read

    GLiNER 논문을 AI Search stack 관점에서 읽는다. 고정된 NER label set에 갇히지 않고, 자연어 entity type prompt와 span matching으로 임의의 entity를 빠르게 추출하는 open NER 모델이 검색의 query understanding과 document enrichment에 어떤 의미를 갖는지 정리한다.

  14. 14

    [AI Search] SWE-agent: Agent에게는 검색창보다 Interface가 필요하다

    Paper Review2026-07-07 09:0028 min read

    SWE-agent 논문을 AI Search stack 관점에서 읽는다. 모델을 바꾸지 않고 agent-computer interface를 재설계해 repository 탐색, 코드 위치 찾기, 편집, 실행 피드백을 어떻게 안정화했는지, 그리고 이것이 Agent QA와 Search UX 설계에 주는 의미를 정리한다.

  15. 15

    [AI Search] Darwin Gödel Machine: 스스로 진화하는 Agent를 어떻게 평가할 것인가

    Paper Review2026-07-07 09:0026 min read

    Darwin Gödel Machine 논문을 AI Search와 Agent QA 관점에서 읽는다. agent가 자기 코드를 수정하고 benchmark feedback으로 선택되는 open-ended archive 구조가 검색, 평가, self-improvement loop 설계에 어떤 의미를 갖는지 정리한다.

  16. 16

    [AI Search] Gemma 4: Open-weight Multimodal Model을 Search Stack에서 읽기

    Paper Review2026-07-07 09:0024 min read

    Gemma 4 Technical Report를 AI Search stack 관점에서 읽는다. open-weight multimodal model family가 dense/MoE, encoder-free 12B, thinking mode, long-context KV cache 최적화, quantization, MTP drafter를 통해 검색·에이전트 시스템의 실행 위치와 비용 구조를 어떻게 바꾸는지 정리한다.

  17. 17

    [AI Search] QKV Projection Sharing: Transformer는 정말 Q, K, V 세 개가 모두 필요할까

    Paper Review2026-07-08 09:0022 min read

    Do Transformers Need Three Projections? 논문을 AI Search stack 관점에서 읽는다. Query, Key, Value projection을 일부 공유해도 품질을 크게 잃지 않으면서 KV cache를 줄일 수 있는지, Q-K=V가 왜 실용적인 절충점인지, GQA/MQA와 결합하면 on-device·edge search serving에 어떤 의미가 생기는지 정리한다.

  18. 18

    [AI Search] Language Models Need Sleep: 긴 컨텍스트를 잠자는 동안 압축하는 법

    Paper Review2026-07-08 09:0021 min read

    Language Models Need Sleep 논문을 AI Search stack 관점에서 읽는다. 긴 컨텍스트를 매번 attention cache에 들고 가는 대신, eviction 직전에 여러 번의 offline recurrent pass로 SSM fast weights에 통합하는 sleep 메커니즘이 왜 long-context reasoning과 retrieval-augmented agent runtime에 중요한지 정리한다.

  19. 19

    [AI Search] Looped World Models: World Model에 반복 계산 깊이를 넣는 법

    Paper Review2026-07-16 09:0010 min read

    Looped World Models 논문을 AI Search stack 관점에서 읽는다. 모델 크기를 계속 키우는 대신, parameter-shared transformer block을 반복 적용해 latent environment state를 정제하고 transition 난이도에 따라 계산 깊이를 조절하는 아이디어를 정리한다.

  20. 20

    [AI Search] VibeThinker-3B: 작은 모델은 어디까지 검증 가능한 추론을 할 수 있나

    Paper Review2026-07-16 09:0010 min read

    VibeThinker-3B 논문을 AI Search stack 관점에서 읽는다. 3B dense model이 curriculum SFT, multi-domain RL, offline self-distillation, claim-level test-time scaling으로 수학·코딩 같은 검증 가능한 추론 task에서 어디까지 갈 수 있는지 정리한다.

  21. 21

    [AI Search] Data Journalist Agent: 데이터에서 검증 가능한 멀티모달 스토리까지

    Paper Review2026-07-16 09:0010 min read

    Data Journalist Agent, Data2Story 논문을 AI Search stack 관점에서 읽는다. raw dataset을 기사형 웹 스토리로 바꾸는 multi-agent newsroom 구조와 Inspector 기반 provenance, human evaluation, machine-checkable verifiability를 정리한다.

  22. 22

    [AI Search] BRDFusion: 물리 기반 렌더링과 생성 모델을 함께 쓰는 도시 장면 이해

    Paper Review2026-07-16 09:009 min read

    BRDFusion 논문을 AI Search stack 관점에서 읽는다. 도시 주행 영상에서 geometry, material, HDR lighting을 분해하고, 물리 기반 controllability와 생성 모델의 photorealism을 결합해 relighting, night simulation, object insertion을 가능하게 하는 구조를 정리한다.

  23. 23

    [AI Search] LOCUS: 검색 가능한 지역 법령 코퍼스를 만드는 일

    Paper Review2026-07-16 09:009 min read

    Freeing the Law with LOCUS 논문을 AI Search stack 관점에서 읽는다. 미국 local ordinance가 vendor platform과 PDF에 흩어져 있던 문제를 corpus, OCR, county-harmonized access layer, ModernBERT 기반 annotation으로 풀어내는 과정을 정리한다.

  24. 24

    [AI Search] Incompressible Knowledge Probes: LLM의 파라미터 수를 지식 용량으로 추정할 수 있을까

    Paper Review2026-08-29 09:0027 min read

    Incompressible Knowledge Probes 논문을 AI Search stack 관점에서 읽는다. 닫힌 LLM의 파라미터 수를 추론 비용이 아니라 희귀 factual knowledge recall로 추정하려는 시도와, 이 방법이 모델 선택·평가·검색 시스템 설계에 주는 의미를 정리한다.