C18

RAG 검색증강생성 오픈북 AI

수업 교안(슬라이드) 열기새 창

핵심 비유

RAG는 AI에게 오픈북 시험을 허용하는 것과 같다. 기존 AI는 배운 내용만 기억에 의존해 답하는 클로즈드북 시험이라면, RAG를 쓰는 AI는 시험 중에 신뢰할 수 있는 참고서를 펼쳐볼 수 있다. 참고서가 있으니 기억 오류로 틀린 답을 쓸 가능성이 줄어들고, 어느 쪽 참고서를 보고 썼는지 출처도 밝힐 수 있다.

핵심 포인트

  • AI는 훈련 데이터만으로 답하기 때문에 최신 정보를 모르거나 존재하지 않는 내용을 그럴듯하게 지어내는 '환각(hallucination)' 문제가 있다.
  • RAG는 질문이 들어오면 외부 데이터베이스나 문서에서 관련 정보를 먼저 검색한 뒤, 그 정보를 바탕으로 답변을 만드는 '검색 → 증강 → 생성' 3단계 방식이다.
  • RAG를 쓰면 AI가 답변의 출처를 제시할 수 있어서 사람이 직접 맞는지 확인할 수 있다. 이것이 '닫힌 AI'와 '오픈북 AI'의 차이다.
  • RAG는 AI 전체를 다시 학습시키지 않아도 새 문서만 추가하면 최신 정보를 반영할 수 있어 유지 비용이 낮다.
  • 의료 진단 보조, 법률 판례 검색, 학교 교과서 기반 튜터 챗봇 등 정확성이 중요한 분야에서 특히 RAG가 많이 활용된다.

관련 개념

RAG

교사 팁

수업 도입 5분을 '오픈북 시험 vs 클로즈드북 시험' 토론으로 시작해보자. "오픈북 시험이 더 공정한가, 아니면 더 쉽게 부정행위가 가능한가?"를 짝 토론한 후, "AI도 오픈북으로 답할 수 있게 만든 것이 RAG"라고 연결하면 개념 동기가 자연스럽게 생긴다. 이후 ChatGPT에 최신 뉴스를 물어보고 틀린 답변을 직접 확인하는 실험을 추가하면 환각 문제가 체감된다.

참고 자료

  • RAG(검색 증강 생성)가 뭔가요? 실시간 검색과 AI의 만남ko / article

    카카오클라우드 기술 블로그. RAG의 3단계(검색→증강→생성) 원리를 도식과 함께 설명하고, 챗봇·학습 도우미·법률 자문 등 실제 활용 사례를 소개한다. 한국어로 쉽게 쓰여 수업 도입 자료로 적합.

  • RAG(검색 증강 생성)란? - LLM 단점을 보완하는 기술ko / article

    모두의연구소 블로그. LLM의 한계(오래된 지식, 환각)를 RAG가 어떻게 보완하는지 단계별로 설명. 그림 자료가 풍부해 시각적으로 이해하기 좋으며, 교사가 판서·슬라이드 구성 시 참고하기 좋다.

  • Retrieval-augmented generation — Wikipediaen / wiki

    RAG 개념의 공식 정의, 역사, 작동 원리, 한계(hallucination이 완전히 없어지지는 않음)까지 종합적으로 다룬다. Google AI 오답 사례처럼 실제 파급 효과를 보여주는 예시가 포함되어 토론 수업 자료로 활용 가능.

  • Retrieval-Augmented Generation (RAG) in 10 minutes (beginner-friendly) — YouTubeen / video

    10분 분량의 입문자용 영상. 애니메이션으로 RAG의 검색-증강-생성 흐름을 시각화하며, 기존 LLM과의 차이를 비교해 설명한다. 수업 중 도입 영상으로 바로 활용 가능.

  • The Science Behind RAG: How It Reduces AI Hallucinationsen / article

    RAG가 AI 환각(hallucination)을 줄이는 원리를 '팩트체커를 달아주는 것'에 빗대어 설명한다. 정확성·최신성·투명성(출처 제시) 세 가지 이점을 명확히 구분하여 수업 정리 단계에서 판서 틀로 쓰기 좋다.