(Sparta_WIL_04) 스프링 AI

1. Log

1. New Keyword

• Agentic -> LLM을 사용하는 방법론
• VectorDB -> 벡터 디비 데이터 저장!

2. 문제의 기록

• Agentic / tocken
  • 계속 고민이 되는 부분이고 생각해야하는 부분
  • “토큰을 적게 사용해야 경제적이고 효과적”이다라는 말이 너무 어려움
  • 같은 상황에서 한번의 질문으로 답이 나오면 좋지만,
    • LLM이 그렇게 쉽게 답을 주지 않기 때문에 반복적으로 질문을 해야하는데.
    • 사용자 입장에서는 똑같은걸 여러번 요구하기가 애매한 상황이고
    • 그렇다면 처음부터 단계를 거쳐서 명확한 답변을 얻어내는 것이 현명.
    • 하지만 한번에 답을내는게 훨씬 좋기는 하다.
    • 어렵다!!!!!!!
• 옵셔널 / 람다 관련해서 쪼금더 메모가 필요할듯.
  • 프로젝트 진행하면서 별도의 해석이나 검색없이 읽는 것까지는 감을 잡은것 같은데,
  • 직접 사용하려니 막막함.
  • 이 부분에 대한 기본기가 부족한듯!
• VectorDB
  • 간단한 것 같으면서도 복잡한 듯함.
  • 테이블에 벡터화시켜서 데이터 넣는 것과 메타데이터를 넣는 것이 거의 전부
  • 조회할때 유사도 판단은 0으로 조회해서 그 사이가 어디인지 판단하는게 현명할듯

    -> Q) 자전거 용품 조회할때
    -> VectorDB 결과 값
    가민 엣지 530 / 자전거 카테고리        distance=0.52  →  similarity=0.48
    자이언트 탈론 / 자전거 카테고리         distance=0.53  →  similarity=0.47
    삼천리 로드바이크 / 자전거 카테고리      distance=0.54  →  similarity=0.46
    신지케이트 자물쇠 / 자전거 카테고리      distance=0.56  →  similarity=0.44
    카스크 헬멧 / 자전거 카테고리           distance=0.62  →  similarity=0.38
      
               >>> 이 사이가 자전거 조회의 기준점 0.37 ~ 0.23 <<<   
    
    가민 인스팅트2 / 등산 카테고리          distance=0.76  →  similarity=0.24
    헬리녹스 체어원 / 등산 카테고리         distance=0.80  →  similarity=0.20
    살로몬 X울트라4 / 등산 카테고리 등산화   distance=0.81   →  similarity=0.19