Concept07.192026-07-19 09:0019 min readAI 기본기 6: Retrieval과 RAG — LLM에게 필요한 지식을 어떻게 찾아 줄 것인가Dense retrieval, sparse retrieval, bi-encoder, cross-encoder, reranking, chunking을 연결해 RAG가 단순 문서 주입이 아니라 검색 모델과 생성 모델의 결합 문제임을 이해한다.#AI기본기#RAG#retrieval+2
Concept07.162026-07-16 09:0021 min readAI 기본기 3: 표현 학습과 임베딩 — 모델은 세상을 어떤 좌표계로 바꾸는가원-핫 인코딩, dense embedding, hidden representation, contrastive learning을 연결해 딥러닝이 데이터를 벡터 공간으로 바꾸는 방식을 이해한다.#AI기본기#deep-learning#embedding+2
Paper Review07.062026-07-06 09:0021 min read[AI Search] Gemini Embedding 2: Multimodal Search를 위한 Unified EmbeddingGemini 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.#AI Search#Gemini Embedding 2#multimodal+3
Paper Review07.062026-07-06 09:0022 min read[AI Search] LIMIT: Embedding Search의 이론적 한계LIMIT 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.#AI Search#LIMIT#embedding+3
