이 페이지는 Cloud Translation API를 통해 번역되었습니다.

Vertex AI를 사용하여 Google 품질 수준의 검색 시스템 빌드

1. 시작하기 전에

이 Codelab을 계속하기 전에 알아야 할 몇 가지 사항이 있습니다.

기본 요건

LLM에 관한 기본 이해
RAG 시스템에 관한 기본 이해

학습할 내용

업로드한 데이터에서 질문에 답변할 수 있는 Google 수준의 검색 엔진을 빌드하는 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 최신 AI의 핵심 기술인 검색 증강 생성 (RAG)이라는 기술을 통해 가능합니다.

RAG는 먼저 문서 코퍼스에서 관련 구절을 검색하는 방식으로 작동합니다. 이는 키워드 일치, 시맨틱 유사성, 머신러닝과 같은 다양한 방법을 사용하여 수행됩니다. 관련 구절이 검색되면 사용자의 검색어에 대한 요약이나 답변을 생성하는 데 사용됩니다.

RAG의 주요 이점은 언어 모델에서 할루시네이션을 피할 수 있다는 것입니다. 홀루시네이션은 문서 자료의 증거로 뒷받침되지 않는 텍스트 생성을 설명하는 데 사용되는 용어입니다. 이는 언어 모델이 관련 정보와 관련 없는 정보를 구분하지 못할 때 발생할 수 있습니다.

RAG는 생성된 텍스트가 항상 문서 코퍼스의 증거를 기반으로 하도록 하여 할루시네이션을 방지합니다. 따라서 더 신뢰할 수 있는 정보 소스입니다.

RAG는 검색엔진, 챗봇, 질문 응답 시스템을 비롯한 다양한 애플리케이션에서 사용되는 강력한 기법입니다. 향후 AI에서 점점 더 중요한 역할을 할 것으로 예상됩니다.

다음은 실제로 RAG가 사용되는 몇 가지 예입니다.

많은 검색 시스템에서 RAG를 사용하여 사용자의 검색어와 관련된 검색 결과를 생성합니다.
챗봇은 RAG를 사용하여 사용자 질문에 대한 유익하고 흥미로운 대답을 생성합니다.
질의 응답 시스템은 RAG를 사용하여 사용자 질문에 대한 정확하고 포괄적인 답변을 생성합니다.

RAG는 다양한 도메인과 애플리케이션에서 텍스트를 생성하는 데 사용할 수 있는 다목적 기법입니다. AI를 더욱 지능적이고 유익하게 만드는 데 도움이 되는 강력한 도구입니다.

이 Codelab에서는 사용자가 업로드한 자료로 제공된 자료로 질문에 답하는 데 도움이 되는 RAG 시스템을 빌드합니다. Vertex AI Search/Agent Builder라는 즉시 사용 가능한 RAG 플랫폼을 사용하면 RAG 시스템을 더 빠르게 빌드할 수 있으므로 문서 수집, 파싱, 청크 처리, 임베딩 생성, 쿼리 확장, 후보 검색 및 순위 지정과 같은 수동 작업을 피할 수 있습니다. 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 올바른 참조를 바탕으로 사실적인 정보로 질문에 답변하는 데 도움이 되는 작동하는 RAG 시스템을 배포하게 됩니다.

또한 Vertex AI Search API를 사용하여 Google Cloud에서 이 RAG 아키텍처를 빌드하는 방법도 더 잘 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 자료(예: PDF 파일)를 입력으로 업로드할 수 있습니다.
검색창에 쿼리 질문하기: 사용자가 업로드된 데이터 자료에 따라 검색창에 질문을 할 수 있습니다.
답변 검색: 사용자가 검색 결과/후보 항목을 검색하고 검색어의 관련성을 기반으로 검색된 답변의 사실성/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. Cloud Shell에 액세스하려면 Google Cloud 콘솔 상단에서 Cloud Shell 활성화를 클릭합니다.

Cloud Shell에 연결되면 다음 명령어를 사용하여 이미 인증되었는지, 프로젝트가 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 명령어를 사용하는 대신 이 링크를 사용하여 콘솔을 통해 이동할 수 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.

버킷의 전역 고유 이름을 입력합니다.
'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.json를 업로드합니다.

4. 2단계: Vertex AI 데이터 스토어 만들기

콘솔 페이지의 검색창에 'Vertex AI Agent Builder'를 입력합니다.
첫 번째 제품인 'Agent Builder'를 선택합니다.

Agent Builder 페이지에서 왼쪽 탐색 메뉴에 표시된 '데이터 스토어'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 '링크가 걸린 비정형 문서 (메타데이터가 포함된 JSONL)'를 선택해야 합니다.
계속을 클릭합니다.

구성 페이지에서 데이터 스토어 위치로 '전역'을 선택합니다.
데이터 스토어에 식별 가능한 이름 지정
만들기를 클릭합니다.

브라우니:

'만들기' 버튼 바로 위에 문서 처리 옵션이 있습니다.
디지털, OCR 또는 레이아웃 파서와 같은 다양한 파서를 사용해 볼 수 있습니다.
고급 청크 처리를 사용 설정하고 맞춤 청크 크기 제한을 제공할 수도 있습니다.

5. 3단계: 상담사 만들기

데이터 스토어가 생성되면 왼쪽 탐색 메뉴에서 앱을 클릭하고 '앱'을 선택합니다.
'앱 만들기' 버튼을 클릭합니다.
앱 유형을 '검색'으로 선택합니다(상담사, 대화형 봇, 맞춤 콘텐츠 등을 만들 수도 있음).

콘텐츠 아래에서 '일반'을 선택해야 합니다. 빌드할 데이터 스토어 및 데이터 유형과 시스템에 따라 '미디어' 또는 '추천'을 선택할 수도 있습니다.
엔터프라이즈 버전과 고급 LLM 기능을 모두 사용 설정해야 합니다.
애플리케이션 이름 입력
회사 이름 입력

'전역' 리전을 선택해야 합니다.
'계속'을 클릭합니다.
다음 화면에서 2단계에서 만든 데이터 스토어를 선택합니다.
'만들기'를 클릭합니다.

6. 4단계: 애플리케이션 Dockerize

Google Cloud 콘솔에서 터미널 열기
다음 명령어를 사용하여 저장소 <sample_repository_link>를 클론합니다.

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 RESTful 엔드포인트를 만드는 데 도움이 되는 Python 기반 API 구현을 보유합니다.
프런트엔드 - 리액트 기반 애플리케이션을 보유하고 UI를 제공합니다. 여기에는 REST 엔드포인트를 통한 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 - - platform 플래그를 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 완료되면 다음 명령어를 실행하여 올바른 태그로 컨테이너에 태그를 지정하여 이미지 버전을 제공합니다. 애플리케이션 버전이 여러 개 있을 수 있으므로 Docker 컨테이너에는 태그로 여러 버전이 있을 수 있습니다. devops 관점에서는 항상 최신 안정화 버전을 사용하는 것이 좋습니다.

docker tag your-image-name REGION-docker.pkg.dev/PROJECT-ID/REPOSITORY-NAME/IMAGE-NAME:TAG

Docker 컨테이너 이미지에 태그를 지정했으므로 이제 이미지를 Google Artifact Registry (GAR)로 푸시하겠습니다. GAR는 Docker 컨테이너를 관리하고 버전 관리하는 데 도움이 되는 Google의 완전 관리형 플랫폼입니다. 위의 태그가 지정된 컨테이너를 GAR에 푸시하는 다음 명령어를 실행합니다. 자세한 내용은 다음 링크를 참고하세요. [https://cloud.google.com/artifact-registry/docs/docker/pushing-and-pulling]

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.
이제 오른쪽에 탐색 메뉴가 표시됩니다.
Artifact Registry가 탭으로 선택되어 있는지 확인합니다.
프로젝트가 올바르게 선택되었는지 확인합니다.
화살표를 클릭하여 배포된 컨테이너 이미지 링크의 섹션을 펼칩니다.
컨테이너 태그를 선택하고 펼칩니다(항상 올바른 최신 태그(예: v1, v2 등)가 있는 최신 태그를 선택하세요).
컨테이너 태그 이름 아래에 표시된 컨테이너 이미지를 클릭합니다.

구성 영역
Cloud Run 애플리케이션의 서비스 이름을 입력합니다 (Cloud Run에서 애플리케이션을 배포할 때 URL의 일부임).
적절한 리전 (이 경우 us-central1 또는 원하는 리전)을 선택합니다.
인증
'인증되지 않은 호출 허용'이 선택되어 있는지 확인합니다.
CPU 할당 및 가격 책정
'CPU가 요청 처리 중에만 할당됨'을 선택합니다.
서비스 자동 확장을 1로 수정합니다.프로덕션 목적으로는 일일 트래픽을 처리할 수 있는 최소 인스턴스를 실행하는 것이 좋으며 0으로 두어도 됩니다.
'인그레스 제어'를 '모두'로 설정하여 인터넷의 트래픽이 애플리케이션에 액세스하도록 허용
'만들기'를 클릭합니다.
Cloud Run 인스턴스가 배포되며 동일한 make를 프로비저닝하는 데 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 검색어 검색 시작
검색어를 입력하고 '검색'을 클릭하면 방금 업로드한 문서의 모든 관련 답변이 표시됩니다.
백엔드 코드를 살펴보고 다음과 같이 구성을 추가해 볼 수 있습니다.
스니펫 추가
추출 세그먼트 추가
답변 추가
LLM이 답변을 요약하는 데 도움이 되도록 상위 k개 결과 조정 (Google 검색의 AI 개요와 같은)
부가기능으로 문서를 업로드하는 동안 메타데이터 태그를 추가할 수도 있습니다. 이렇게 하면 측정기준과 필터링 가능한 카테고리를 생성하는 데 도움이 됩니다.

9. 삭제

이 Codelab에서 사용한 리소스 비용이 Google Cloud 계정에 청구되지 않도록 하려면 다음 단계를 따르세요.

Google Cloud 콘솔에서 리소스 관리 페이지로 이동합니다.
프로젝트 목록에서 삭제할 프로젝트를 선택하고 삭제를 클릭합니다.
대화상자에서 프로젝트 ID를 입력하고 종료를 클릭하여 프로젝트를 삭제합니다.
또는 콘솔에서 Cloud Run으로 이동하여 방금 배포한 서비스를 선택하고 삭제합니다.

10. 축하합니다

축하합니다. Google의 최첨단 모델을 사용하여 즉시 사용 가능한 RAG 시스템을 빌드하고 검색어에 Google 품질의 결과를 제공했습니다. 이 Codelab은 데모용일 뿐이며 프로덕션 사용 사례에는 더 많은 보안 및 가드레일을 설정해야 합니다. 전체 저장소에 대한 링크는 다음과 같습니다. Google Cloud를 활용하고 5단계만 따르면 몇 분 내에 즉시 사용할 수 있는 Google 품질의 결과를 제공하는 엔드 투 엔드 RAG 시스템을 생성할 수 있습니다. 생성형 AI와 대규모 언어 모델이 발전함에 따라 이러한 RAG 시스템을 구축하면 할루시네이션과 출처가 없는 정보가 표시되는 문제를 방지할 수 있습니다.

이는 시작에 불과하지만 완전히 맞춤설정 가능한 DIY RAG API를 사용하면 파이프라인 프로세스의 모든 부분을 효과적으로 처리할 수 있는 더 높은 수준의 투명성, 성능, 효율성을 얻을 수 있습니다.