Elastic의 벡터 데이터베이스로 구동되는 에이전틱 검색

Lily Adler

생성형 AI 검색 전문가 팀장

Elastic

Peter Steenbergen

GenAI 검색 전문가

Elastic

AI 애플리케이션이 단순한 보조자를 넘어 정교한 에이전트 시스템으로 진화함에 따라 한 가지 사실이 명확해졌습니다. 바로 문맥이 가장 중요하다는 점입니다. 이것이 바로 문맥 엔지니어링 플랫폼이자 선도적인 벡터 데이터베이스인 Elastic이 현대적인 에이전틱 검색의 핵심 역할을 하는 이유입니다.

이번 웨비나에서는 Elastic의 벡터 검색 작동 방식과 키워드 및 하이브리드 검색과의 통합 과정을 살펴보고, Elastic이 왜 비정형 데이터를 다루는 AI 에이전트와 애플리케이션 구축의 근간이 되는지 그 이유를 알아봅니다. 임베딩 모델, 리랭커, 검색 혁신이 어떻게 시맨틱 매칭, 유사성 검색 그리고 하이브리드 쿼리를 대규모로 지원하는지 확인할 수 있습니다.

본 세션은 차세대 AI 에이전트 및 애플리케이션을 구축하는 개발자, 데이터 엔지니어 및 아키텍트를 위해 마련되었습니다. 

주요 내용

• 벡터 검색의 실제 작동 방식: 청킹, 임베딩, 시맨틱 텍스트 검색, 하이브리드 쿼리, 리랭킹, 그리고 밀집 벡터와 희소 벡터를 통합하는 방법
• AI 에이전트 및 애플리케이션의 실제 활용 사례: 시맨틱 매칭, 문서 이해, 추천 시스템, 그리고 대화형 메모리 기능
• 엔터프라이즈 환경에 최적화하는 방법: 10억 개 이상의 벡터 확장성, 하이브리드 검색, 멀티모달 데이터 지원, 그리고 단순 기능형 VDB를 뛰어넘는 기본 제공 분석 기능
• 문맥 엔지니어링 플랫폼이자 벡터 데이터베이스로서의 Elastic: 왜 Elastic이 포괄적인 벡터 데이터베이스인지, 그리고 어떻게 에이전틱 검색의 핵심 토대가 되는지

추가 리소스

• 세션의 소스 코드와 자료는 GitHub 저장소에서 확인할 수 있습니다.
• 최신 AI 검색 기능을 AI Playground로 테스트해 보세요.
• 가장 널리 배포된 오픈 소스 벡터 데이터베이스