#retrieval

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

#AI Search #retrieval #vector-search+2

Paper Review07.062026-07-06 09:0021 min read

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

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.

#AI Search #ColBERT #retrieval+2

Paper Review07.062026-07-06 09:0024 min read

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

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.

#AI Search #LDAR #RAG+3

Paper Review07.062026-07-06 09:0018 min read

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

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.

#AI Search #bitmap-index #roaring-bitmap+2

Paper Review07.042026-07-04 09:0020 min read

[논문 리뷰] Dense Retriever의 위치 편향은 타고나는가, 학습되는가

Dense retriever가 문서 앞부분 정보를 선호하는 현상은 모델 구조만의 문제가 아니라, fine-tuning 데이터에서 정답 근거가 어디에 있었는지에 크게 좌우된다.

#retrieval #rag #dense-retriever+2

Paper Review05.192026-05-19 09:006 min read

[논문 리뷰] A-RAG: Agentic RAG가 2026년의 기본기가 된 이유

단일 retriever→generator 파이프라인이 한계를 보이는 가운데, 질의 분해·병렬 검색·검증·합성을 에이전트가 분담하는 A-RAG의 계층적 검색 인터페이스를 살펴본다.

#RAG #agentic-rag #retrieval

Paper Review04.302026-04-30 22:3013 min read

[논문 리뷰] SEISMIC — Learned Sparse Retrieval을 마이크로초 단위로 끌어내리기

SPLADE 같은 Learned Sparse Retrieval은 좋지만 느렸다. 1차 검색에 100ms. SEISMIC은 'Concentration of Importance' 한 가지 관찰에서 출발해 같은 정확도를 0.3ms에 — 100배 이상 빠르게 만든다. SIGIR 2024 best paper 후보로 꼽힌 IR 인덱스 구조.

#RAG #retrieval #sparse+1