[검색창 없는 쇼핑몰] Agentic AI 커머스 구현 가이드 1탄

RAG 시스템은 파인콘과 같은 벡터 DB를 활용해 질문에 대한 답을 창고에서 찾아오는 4단계 흐름으로 설명됩니다. 먼저 손님의 질문은 글자 그대로 이해되지 않고 숫자 벡터로 변환됩니다. 이 과정에서 땀 잘 흡수하는 옷이라는 질의는 의미를 담은 수치 뭉치로 변환되며, 이를 임베딩이라고 부릅니다.

두 번째 단계는 벡터 검색입니다. 변환된 질문 벡터를 창고에 보관된 수많은 상품 벡터와 비교해 가장 비슷한 항목을 찾습니다. 이때 흡습속건, 통기성, 피트니스와 같은 특성을 의미하는 벡터 요인들이 많이 포함된 상품이 선별되며, 보통 3~5개 정도의 결과가 도출됩니다. 예를 들어 p123번 기능성 티셔츠나 p456번 쿨링 조거 팬츠 같은 후보가 제시됩니다.

세 번째 단계는 AI에게 전달할 참고서를 구성하는 단계입니다. 선별된 상품 정보와 손님의 질문을 하나의 프롬프트로 합치고, 지시문과 참고 정보를 포함한 형태로 전달됩니다. 지시문은 “당신은 우리 쇼핑몰의 점원이다”와 같이 명시되며, 정보에 없는 내용은 모른 척하라는 내용이 더해집니다. 참고 정보에는 선별된 품목의 특성과 관련된 내용이 실립니다.

마지막 네 번째 단계는 최종 답변 생성입니다. AI는 자체 지식이 아닌 전달된 참고 정보만을 바탕으로 친절한 답변을 만듭니다. 예를 들면 운동할 때 입기 좋은 땀 흡수 소재의 티셔츠를 추천하고, 함께 입기 좋은 통기성이 우수한 팬츠를 함께 제안하는 식으로 구성됩니다. 이 과정에서 벡터 DB가 핵심인 이유는 일반적인 단어 검색으로는 찾기 어려운 비슷한 의미의 상품까지도 빠르게 탐지할 수 있기 때문이며, 제공된 정확한 정보 안에서만 응답이 이뤄지도록 제어합니다.

요청 처리 중입니다...

[검색창 없는 쇼핑몰] Agentic AI 커머스 구현 가이드 1탄 - RAG, 백터DB, 임베딩

등록된 다른 글