QPP 가 올바른 쿼리 변형을 선택할 수 있는가? RAG 파이프라인을 위한 쿼리 변형 선택 평가

요약

본 기사는 RAG 파이프라인에서 여러 쿼리 변형 중 최적의 것을 선택하는 '쿼리 성능 예측(QPP)' 메커니즘을 탐구합니다. 기존 QPP가 주제 간 난이도를 추정하는 것과 달리, 본 연구는 동일한 정보 필요를 가진 경쟁 변형들 사이에서 최적의 재구성을 선택하는 '주제 내 차별화'에 초점을 맞춥니다. 실험 결과, 검색 관련성(retrieval relevance)을 최대화하는 쿼리가 항상 최고의 생성 답변을 제공하지 못하는 '유틸리티 갭'이 존재함을 밝혀냈으며, 경량의 검색 전 예측기가 지연 시간 효율적이면서도 강력한 RAG 시스템 구축에 유용한 대안임을 제시합니다.

핵심 포인트

• RAG 파이프라인에서 계산 비용 절감을 위해 최적의 쿼리 변형을 선택하는 QPP(Query Performance Prediction)가 중요함.
• 본 연구는 여러 경쟁 변형들 사이에서 최적 재구성을 선택하는 '주제 내 차별화'에 초점을 맞춤.
• 검색 관련성 지표(예: nDCG)를 최대화하는 쿼리가 항상 최고의 생성 답변을 제공하지 못하는 '유틸리티 갭'이 존재함.
• 경량의 검색 전 예측기(pre-retrieval predictor)가 고비용의 검색 후 방법과 유사하거나 능가하여 지연 시간 효율적인 RAG 구축에 적합함.