1. 시작하기 전에
이 Codelab을 계속하기 전에 알아야 할 몇 가지 사항이 있습니다.
기본 요건
- LLM에 관한 기본적 이해
- RAG 시스템에 관한 기본 이해
학습 내용
- 업로드한 데이터를 기반으로 질문에 답할 수 있는 Google 품질의 검색엔진을 구축하는 방법
- Vertex AI Datastore를 만드는 방법
- Vertex AI 에이전트를 만드는 방법
- CloudRun을 활용하여 애플리케이션을 배포하는 방법
필요한 항목
- Google Cloud 계정
- Google Cloud 프로젝트
- 터미널이 있는 IDE
소개
Google 검색은 웹페이지 및 기타 콘텐츠의 방대한 색인을 사용하여 사용자 검색어와 관련된 결과를 제공하는 강력한 도구입니다. 이는 현대 AI의 핵심 기술인 검색 증강 생성 (RAG)이라는 기술을 통해 가능합니다.
RAG는 먼저 문서 코퍼스에서 관련 문구를 검색하는 방식으로 작동합니다. 이를 위해 키워드 일치, 의미론적 유사성, 머신러닝과 같은 다양한 방법을 사용합니다. 관련 문구를 가져온 후에는 요약을 생성하거나 사용자 쿼리에 대한 답변을 생성하는 데 사용됩니다.
RAG의 주요 이점은 언어 모델에서 할루시네이션을 피할 수 있다는 것입니다. 할루시네이션은 문서 코퍼스의 증거로는 지원되지 않는 텍스트 생성을 설명하는 데 사용되는 용어입니다. 이는 언어 모델이 관련성 있는 정보와 관련이 없는 정보를 구별하지 못할 때 발생할 수 있습니다.
RAG는 생성된 텍스트가 항상 문서 코퍼스의 증거를 기반으로 하도록 함으로써 할루시네이션을 방지하는 데 도움이 됩니다. 따라서 Google은 더욱 믿을 수 있고 신뢰할 수 있는 정보 출처가 될 수 있습니다.
RAG는 검색엔진, 챗봇, 질의 응답 시스템 등 다양한 애플리케이션에서 사용되는 강력한 기술입니다. AI는 향후 몇 년 내에 AI에서 점점 더 중요한 역할을 할 것으로 예상됩니다.
다음은 RAG가 실제로 사용되는 방식의 몇 가지 예입니다.
- 많은 검색 시스템에서 RAG를 사용하여 사용자의 검색어와 관련된 검색 결과를 생성합니다.
- 챗봇은 RAG를 사용하여 유익하고 흥미로운 사용자 질문에 대한 답변을 생성합니다.
- 질의 응답 시스템은 RAG를 사용하여 정확하고 포괄적인 사용자 질문에 대한 답변을 생성합니다.
RAG는 다양한 도메인과 애플리케이션에서 텍스트를 생성하는 데 사용할 수 있는 다목적 기술입니다. 생성형 AI는 AI를 더욱 지능적이고 유익한 상태로 만드는 데 도움이 되는 강력한 도구입니다.
이 Codelab에서는 사용자가 업로드한 자료로 제공된 자료로 질문에 답하는 데 도움이 되는 RAG 시스템을 빌드합니다. 즉시 사용 가능한 Vertex AI Search/Agent Builder라는 RAG 플랫폼을 사용하면 RAG 시스템 빌드를 가속화할 수 있으므로 문서 수집, 파싱, 청킹, 임베딩 생성, 쿼리 확장, 후보 검색, 순위 지정 등의 수동 작업이 필요하지 않습니다. 즉시 사용 가능한 RAG 시스템이 빠르게 시작하는 데 도움이 되는 반면, Google Cloud는 자체 DIY RAG 시스템을 구축할 수 있는 모든 프로세스에 개별 API를 제공하므로 비즈니스 요구사항에 맞게 RAG 시스템을 미세 조정하는 데 도움이 됩니다.
빌드할 항목
이 Codelab을 마치면 제대로 된 참조를 바탕으로 근거 및 인용을 통해 사실에 기반한 정보로 질문에 답하는 데 도움이 되는 작동 중인 RAG 시스템이 배포됩니다.
또한 Vertex AI Search API를 사용하여 Google Cloud에서 RAG 아키텍처를 빌드하는 방법도 보다 자세히 이해할 수 있습니다. 또한 이 RAG 아키텍처 애플리케이션 (프런트엔드 및 백엔드 포함)을 Google Cloud에서 컨테이너로 배포하는 서버리스 플랫폼인 CloudRun에서 배포하는 방법도 알아봅니다.
애플리케이션 작동 방식
- 데이터 업로드: 사용자가 자체 데이터 코퍼스(예: PDF 파일)를 입력값으로 업로드할 수 있습니다.
- 검색창에서 질문하기: 사용자는 업로드된 데이터 코퍼스를 기반으로 검색창에 질문할 수 있습니다.
- 답변 검색: 사용자는 검색 결과/후보를 검색하고 검색어의 관련성을 토대로 검색된 답변의 사실 여부/근거를 확인할 수 있습니다.
2. 환경 설정
- Google Cloud 콘솔의 프로젝트 선택기 페이지에서 Google Cloud 프로젝트를 선택하거나 만듭니다.
- Google Cloud 프로젝트에 결제가 사용 설정되어 있는지 확인합니다. 프로젝트에 결제가 사용 설정되어 있는지 확인하는 방법을 알아보세요.
- Google Cloud에서 실행되는 명령줄 환경인 Cloud Shell을 사용합니다. 액세스하려면 Google Cloud 콘솔 상단에서 'Cloud Shell 활성화'를 클릭하세요.
- Cloud Shell에 연결되면 다음 명령어를 사용하여 인증이 완료되었는지, 프로젝트가 내 프로젝트 ID로 설정되어 있는지 확인합니다.
gcloud auth list
- Cloud Shell에서 다음 명령어를 실행하여 gcloud 명령어가 프로젝트를 알고 있는지 확인합니다.
gcloud config list project
- 프로젝트가 설정되지 않은 경우 다음 명령어를 사용하여 설정합니다.
gcloud config set project <YOUR_PROJECT_ID>
- 다음 API가 사용 설정되어 있는지 확인합니다.
- Cloud Run
- Vertex AI
- Cloud Storage
gcloud 명령어 대신 이 링크를 통해 콘솔을 사용할 수도 있습니다. gcloud 명령어 및 사용법은 문서를 참조하세요.
3. 1단계: GCP 버킷 만들기
- 콘솔로 이동하여 검색창에 Cloud Storage를 입력합니다.
- 추천 결과에서 Cloud Storage를 선택합니다.
- '버킷 만들기'를 클릭합니다.
- 버킷에 전역적으로 고유한 이름을 제공하세요.
- '계속'을 클릭합니다.
- 위치 유형에서 멀티 리전을 선택합니다.
- 드롭다운에서
us (multiple regions in United States)옵션을 선택해야 합니다.
- '버킷 만들기'를 클릭합니다.
- 버킷이 생성되면 저장소에서
alphabet-metadata.json을 업로드합니다 (링크에서 다운로드 - https://github.com/kkrishnan90/gcp-vertex-search-demo/blob/main/alphabet-metadata.json).
4. 2단계: Vertex AI Datastore 만들기
- 콘솔 페이지의 검색창에 'Vertex AI Agent Builder'를 입력합니다.
- 첫 번째 제품인 'Agent Builder'를 선택합니다.
- Agent Builder 페이지에서 왼쪽 탐색 메뉴에 표시된 대로 'Data Store'를 클릭합니다.
- '데이터 스토어 만들기'를 클릭합니다.
- Cloud Storage를 데이터 스토어로 선택
- Cloud Storage 아이콘 아래의 '선택'을 클릭합니다.
- '폴더' 옵션 아래의 탭에서 '찾아보기' 버튼을 클릭합니다.
- 1단계에서 만든 버킷을 선택합니다.
- 아래 옵션에서 '비정형 연결된 문서 (메타데이터가 있는 JSONL)'를 선택해야 합니다.
- 계속을 클릭합니다.
- 구성 페이지에서 데이터 스토어의 위치로 '전역'을 선택합니다.
- 데이터 스토어에 식별 가능한 이름 제공
- '만들기'를 클릭합니다.
브라우니:
- '만들기' 버튼 바로 위에 문서 처리 옵션이 있습니다.
- 디지털, OCR 또는 레이아웃 파서와 같은 다양한 파서를 사용해 볼 수 있습니다.
- 고급 청킹을 사용 설정하고 자체 커스텀 청크 크기 제한을 제공할 수도 있습니다.
5. 3단계: 에이전트 만들기
- 데이터 스토어가 생성되면 왼쪽 탐색 메뉴에서 앱을 클릭하고 '앱'을 선택합니다.
- '앱 만들기' 버튼을 클릭합니다.
- 앱 유형을 '검색'으로 선택합니다. 에이전트, 대화 봇, 추천 등을 만들 수도 있습니다.
- 콘텐츠 아래에서 '일반'을 선택해야 합니다. 빌드할 데이터 스토어 및 데이터 유형과 시스템에 따라 '미디어' 또는 '추천'을 선택할 수도 있습니다.
- Enterprise 버전과 고급 LLM 기능을 모두 사용으로 전환해야 합니다.
- 애플리케이션 이름 입력
- 회사 이름 입력
- 리전을 '전역'으로 선택해야 합니다.
- '계속'을 클릭합니다.
- 다음 화면에서 2단계에서 만든 데이터 스토어를 선택합니다.
- '만들기'를 클릭합니다.
6. 4단계: 애플리케이션 Docker화
- Google Cloud 콘솔에서 터미널 열기
- 다음 명령어를 사용하여 저장소 <sample_repository_link> 클론
git clone https://github.com/kkrishnan90/vertex-ai-search-agent-builder-demo
- 다음 명령어를 사용하여 디렉터리를 변경하고 클론된 저장소로 이동합니다.
cd vertex-ai-search-agent-builder-demo
- 폴더 구조
- 백엔드 - 프런트엔드가 상호작용할 수 있는 편안한 엔드포인트를 만드는 데 도움이 되는 Python 기반 API 구현을 포함합니다.
- 프런트엔드 - 반응 기반 애플리케이션을 보유하며 UI를 제공합니다. 여기에는 휴식 엔드포인트를 통해 백엔드에 필요한 애플리케이션 수준 호출도 포함됩니다.
- Dockerfile - 이 파일에는 Docker 컨테이너를 만드는 데 필요한 모든 관련 명령어가 포함됩니다.
- 저장소 디렉터리의 루트에서 Docker 이미지를 빌드하는 데 도움이 되는 다음 명령어를 실행합니다. M1, M2 등의 Apple Silicon 칩을 사용하는 Macbooks에서 Docker 컨테이너를 빌드할 때는
- - platform플래그를 사용해야 합니다. Windows 머신을 사용하여 빌드하거나 CPU 아키텍처가 Intel 기반인 경우에는 이 플래그가 필요하지 않습니다.
docker build --platform linux/amd64 -t your-image-name .
- Docker 컨테이너 빌드가 성공하면 다음 명령어를 실행하여 올바른 태그로 컨테이너에 태그를 지정하여 이미지 버전을 제공하세요. 애플리케이션의 여러 버전이 있을 수 있으므로 Docker 컨테이너의 태그로 여러 버전이 있을 수 있습니다. DevOps 관점에서 최신 안정화 버전이 항상 사용되는지 확인하는 것이 좋습니다.
docker tag your-image-name REGION-docker.pkg.dev/PROJECT-ID/REPOSITORY-NAME/IMAGE-NAME:TAG
- Docker 컨테이너 이미지의 태그 지정이 완료되면 이제 이미지를 Google Artifact Registry (GAR)로 푸시하겠습니다. GAR은 Google의 완전 관리형 플랫폼으로, Docker 컨테이너의 관리 및 버전 제어를 지원합니다. 다음 명령어를 실행하여 위에 태그된 컨테이너를 GAR로 푸시합니다. 자세한 내용은 다음 링크[https://cloud.google.com/artifact-registry/docs/docker/pushing-and-pulling]를 참조하세요.
docker push REGION-docker.pkg.dev/PROJECT-ID/REPOSITORY-NAME/IMAGE-NAME:TAG
7. 5단계: Cloud Run에 애플리케이션 배포
- 터미널을 최소화합니다. Google Cloud 콘솔 검색창에서 Cloud Run을 검색합니다.
- 추천 Cloud Run 제품을 클릭합니다.
- '서비스 만들기'를 클릭합니다.
- 다음 페이지에서 '기존 컨테이너 이미지에서 버전 1개 배포'가 선택되어 있는지 확인합니다.
- 아래에서 '선택'을 클릭합니다.
- 오른쪽에 탐색 메뉴가 표시됩니다.
- Artifact Registry가 탭으로 선택되어 있는지 확인하세요.
- 프로젝트가 올바르게 선택되었는지 확인
- 배포된 컨테이너 이미지 링크에서 아코디언을 펼치려면 화살표를 클릭하세요.
- 컨테이너 태그를 선택하고 펼칩니다. 항상 최신 태그 (v1, v2 등)가 있는 최신 배포 태그를 선택합니다.
- 컨테이너 태그 이름 아래에 표시된 컨테이너 이미지를 클릭합니다.
- 구성 영역
- Cloud Run 애플리케이션의 서비스 이름을 입력합니다 (Cloud Run에 애플리케이션을 배포할 때 URL의 일부임).
- 적절한 리전 (이 경우 us-central1 또는 원하는 리전)을 선택합니다.
- Authentication
- '인증되지 않은 호출 허용'이 선택되어 있는지 확인합니다.
- CPU 할당 및 가격 책정에서
- 'CPU가 요청 처리 중에만 할당됨'을 선택합니다.
- 서비스 자동 확장을 1로 수정합니다.프로덕션 용도로는 일일 트래픽을 처리할 수 있는 최소 인스턴스를 실행하는 것이 좋으며, 0으로 남겨둘 수도 있습니다.
- '인그레스 제어'를 '모두'로 설정하여 인터넷의 트래픽이 애플리케이션에 액세스하도록 허용합니다.
- '만들기'를 클릭합니다.
- Cloud Run 인스턴스가 배포되며 동일한 Make의 프로비저닝에 몇 분 정도 걸립니다.
- 배포되고 나면 웹 애플리케이션에 액세스할 수 있는 공개적으로 사용 가능한 URL을 볼 수 있습니다.
8. 작동 방식
- 애플리케이션 홈페이지에서 '문서 업로드' 버튼을 클릭합니다.
- PDF 파일 업로드
- 업로드가 완료되면
- 웹페이지 상단의 검색창을 클릭합니다.
- 업로드한 문서와 관련된 검색어를 검색하세요.
- 쿼리를 입력하고 검색을 클릭하면 방금 업로드한 문서의 모든 관련 답변이 표시됩니다.
- 백엔드 코드를 살펴보고 다음과 같은 구성을 더 추가하여 우회할 수 있습니다.
- 스니펫 추가
- 추출 세그먼트 추가
- 답변 추가
- LLM이 답변을 요약할 수 있도록 최상위 k개 결과 조정 (예: Google 검색의 AI 개요)
- 부가 기능으로 문서를 업로드하는 동안 메타데이터 태그를 추가할 수 있습니다. 이렇게 하면 상품 속성과 필터링 가능한 카테고리를 생성하는 데 도움이 됩니다.
9. 삭제
이 Codelab에서 사용한 리소스 비용이 Google Cloud 계정에 청구되지 않도록 하려면 다음 단계를 따르세요.
10. 축하합니다
수고하셨습니다 Google에서 제공하는 최첨단 모델을 사용하여 즉시 사용 가능한 RAG 시스템을 신속하게 빌드하고 검색어에 Google 품질의 결과를 제공하는 데 성공했습니다. 이 Codelab은 데모 전용이며 프로덕션 사용 사례에는 추가 보안 및 가드레일을 설정해야 합니다. 전체 저장소에 대한 링크는 다음과 같습니다. Google Cloud를 활용하고 단 5단계만으로 Google 품질 결과를 즉시 제공할 수 있는 엔드 투 엔드 RAG 시스템을 몇 분 만에 생성할 수 있습니다. 생성형 AI와 대규모 언어 모델이 발전함에 따라 이러한 RAG 시스템을 빌드하면 할루시네이션의 함정과 인용되지 않은 정보가 노출되는 것을 방지하는 데에도 도움이 됩니다.
이는 시작에 불과하지만, 완전히 맞춤설정이 가능한 DIY RAG API를 사용하면 파이프라인 프로세스의 모든 부분을 효과적으로 처리할 수 있도록 훨씬 더 높은 투명성, 성능, 효율성을 제공해 놀라운 성과를 거둘 수 있습니다.