자동차 산업은 현재 기술 중심의 근본적인 전환기를 맞이하고 있습니다. 전기차의 대중화, 자율주행 기술의 상용화, 그리고 차량을 소프트웨어로 정의하는 SDV(Software Defined Vehicle)의 부상은 단순한 기능 개선을 넘어 자동차의 개념 자체를 변화시키고 있습니다.

이러한 변화는 단지 자동차 제조사만의 과제가 아닙니다. 모빌리티 기술은 도시 인프라와 산업 구조, 그리고 일상생활 전반에까지 영향을 미치며 새로운 생태계를 형성하고 있습니다. 특히 CES 2025를 통해 확인된 글로벌 흐름은 모빌리티가 더 이상 단순한 ‘이동 수단’이 아니라, 디지털 플랫폼으로 진화하고 있음을 보여주고 있습니다.

이번 뉴스레터에서는 ‘첨단 모빌리티’라는 키워드를 중심으로, 기술이 자동차를 어떻게 재정의하고 있는지, 그리고 주요 기업들이 이러한 변화에 어떤 전략과 기술로 대응하고 있는지를 다양한 관점에서 살펴보겠습니다.

최근 몇 년 사이, 생성형 인공지능(Generative AI)은 기술 분야 전반에서 가장 주목받는 혁신의 중심에 서 있습니다. OpenAI의 ChatGPT가 대중적인 인기를 끌면서, 대규모 언어 모델(Large Language Model, LLM)을 중심으로 하는 인공지능 활용이 급속히 확산되었으며, 이는 단순한 기술을 넘어 기업 경영, 업무 프로세스 자동화 등 다방면에 걸친 영향을 미치고 있습니다. 특히, 검색 증강 생성(Retrieval-Augmented Generation, RAG) 기법의 대두는 기존의 언어 모델이 갖고 있던 환각(hallucination) 문제를 줄이고, 최신성과 정확성을 확보하는 데 효과적인 대안으로 자리잡았습니다.

1. RAG의 개념 및 유형

검색 증강 생성(RAG)은 대규모 언어 모델의 한계를 극복하기 위한 방법론으로, 외부 지식 소스에서 관련 정보를 검색하여 생성 프로세스를 보강하는 기술입니다. RAG는 GenAI 애플리케이션의 RAG의 개념 및 유형에 대해서 알아보겠습니다.

1.1. RAG의 기본 개념

RAG(Retrieval-Augmented Generation)는 생성형 인공지능의 응답 정확성을 높이고, 보다 신뢰성 있는 정보를 제공하기 위한 아키텍처로, 크게 세 가지 주요 구성 요소로 이루어져 있습니다. 이 구성 요소들은 각각 고유한 역할을 수행하면서 유기적으로 결합되어, 기존의 LLM(Large Language Model) 단독 운영 방식으로는 달성하기 어려운 성능 향상을 가능케 합니다.

① 첫 번째는 검색 시스템(Retrieval System)입니다.

이는 사용자로부터 입력된 질문이나 요청(쿼리)에 대해, 사전에 구축된 지식 저장소 내에서 의미적으로 관련된 정보를 찾아내는 역할을 수행합니다. 이 검색 시스템은 보통 벡터 검색 엔진이나 키워드 기반의 색인 검색 시스템으로 구성되며, 사용자가 입력한 질문을 임베딩하여 문서들과의 의미적 유사도를 계산함으로써, 가장 관련성 높은 문서나 단락을 반환합니다.

② 두 번째는 지식 저장소(Knowledge Base)입니다.

이는 조직이 보유하고 있는 다양한 정보 자산을 저장하고 관리하는 저장소로, 일반적으로 기업 내부 문서(PDF, 워드 문서 등), 웹 페이지, 데이터베이스, 전자메일, FAQ, 정책 문서, 고객 응대 기록 등 다양한 데이터 소스를 포함합니다. 이 지식 저장소는 사전에 전처리 및 임베딩 과정을 거쳐 벡터 형태로 저장되며, 검색 시스템이 이 데이터에 대해 질의할 수 있도록 설계됩니다.

③ 세 번째는 생성 모델(Generative Model)입니다.

검색 시스템이 반환한 관련 문서나 정보는 그대로 사용자에게 전달되는 것이 아니라, LLM에 컨텍스트로 제공되어 자연어 형태로 재구성됩니다. 이 때 생성 모델은 단순히 정보를 나열하는 것이 아니라, 사용자의 질문 의도를 반영하여 정돈된 문장 구조로 응답을 생성합니다.

이러한 구조를 통해 RAG는 다음과 같은 주요 이점을 제공합니다.

첫째, 최신 정보의 제공이 가능합니다.

기존 LLM은 사전 학습 데이터 이후의 정보는 반영할 수 없다는 한계가 있었지만, RAG는 검색 시스템을 통해 실시간 혹은 주기적으로 업데이트된 외부 데이터 소스에 접근할 수 있기 때문에, 최신 정보를 포함한 응답을 제공할 수 있습니다.

둘째, 환각(Hallucination) 현상을 줄이는 데 효과적입니다.

일반적인 LLM은 존재하지 않는 사실을 마치 진짜인 것처럼 생성해내는 경향이 있는데, RAG는 외부의 실제 문서나 데이터에 기반해 응답을 생성하기 때문에, 정보의 사실성(Factuality)을 높이고 잘못된 정보를 줄이는 데 기여합니다.

셋째, 맥락 이해를 향상시킵니다.

검색 시스템을 통해 질문과 직접적으로 관련된 문맥이 제공되기 때문에, 생성 모델이 단순한 패턴 매칭이 아닌 보다 풍부한 배경 정보와 함께 문장을 생성할 수 있게 됩니다. 이는 특히 복잡한 질의나 다단계 추론이 필요한 질문에 있어 응답의 품질을 크게 향상시킵니다.

넷째, 도메인 특화 지식의 반영이 용이합니다.

일반적인 LLM은 범용적인 지식 기반으로 학습되어 있으므로 특정 산업, 기업, 법률, 의료 등 특화된 분야에 대해서는 제한적인 응답만 제공할 수 있습니다. 반면, RAG는 특정 도메인의 내부 문서나 데이터베이스를 지식 저장소로 활용할 수 있기 때문에, 매우 정밀하고 맥락에 맞는 응답을 생성할 수 있습니다.

이처럼 RAG는 생성형 인공지능의 정확성과 신뢰성을 강화하는 데 있어 중요한 진보이며, 특히 기업 환경에서 신뢰할 수 있는 AI 응답을 필요로 하는 다양한 실무 시나리오에 널리 적용되고 있습니다.

1.2. RAG의 유형

✅ 기본 RAG (Basic RAG)

가장 단순한 형태의 RAG로, 사용자 쿼리를 기반으로 관련 문서를 검색하고, 이를 컨텍스트로 LLM에 제공하여 응답을 생성합니다. 단일 검색-생성 사이클로 구성됩니다.

✅ Advanced RAG

기본 RAG를 개선한 형태로, 다음과 같은 고급 기능을 포함합니다. 현재 가장 많이 활용되고 있는 기술입니다.

• 쿼리 재작성(Query Rewriting)
  원래 쿼리를 더 효과적인 검색을 위해 재구성합니다.
  
  

• 다중 쿼리 생성(Multi-Query Generation)
  하나의 사용자 질문에서 여러 검색 쿼리를 생성하여 검색 범위를 확장합니다.
  
  

• 결과 재순위화(Re-ranking)
  검색된 문서를 관련성에 따라 재정렬합니다.
  
  

• 문서 요약(Document Summarization)
  검색된 문서를 요약하여 LLM에 더 집중된 컨텍스트를 제공합니다.

✅ Modular RAG

RAG 파이프라인을 모듈화하여 각 구성 요소를 독립적으로 최적화할 수 있는 접근법입니다. 이러한 모듈식 접근법은 각 구성 요소를 독립적으로 교체하고 최적화할 수 있어 유연성이 높습니다. Advanced RAG를 보다 재사용성이 높습니다. 주요 모듈은 다음과 같습니다.

• Chunking Module
  문서를 효과적인 크기의 청크로 분할합니다.
  
  

• Embedding Module
  텍스트를 벡터로 변환하는 임베딩 생성을 담당합니다.
  
  

• Retrieval Module
  가장 관련성 높은 문서를 검색합니다.
  
  

• Generation Module
  최종 응답을 생성합니다.

✅ Recursive RAG

RAG 프로세스를 반복적으로 수행하는 방법으로, 첫 번째 응답을 생성한 후 추가 정보가 필요한 경우 후속 검색을 수행합니다. 이를 통해 복잡한 질문에 대해 더 포괄적인 답변을 제공할 수 있습니다.

✅ Adaptive RAG

질문의 복잡성과 유형에 따라 RAG 프로세스를 동적으로 조정하는 접근법입니다. 간단한 질문에는 기본 RAG를, 복잡한 질문에는 더 정교한 RAG 기법을 적용합니다. 그 외 Hypothetical Document RAG 등 다양한 방식이 존재합니다.

모놀리식 아키텍처(Monolithic Architecture)

▶ 단일 건물 안에 모든 기능이 몰려 있는 원룸 구조

모놀리식 아키텍처는 마치 원룸형 건물과도 같습니다. 이 원룸 안에는 부엌, 침대, 책상, 세면대, 화장실까지 모든 공간이 하나의 방 안에 다 들어가 있습니다. 벽도 없고, 분리된 공간도 없습니다. 즉, 모든 기능이 한 공간 안에 물리적으로 통합되어 작동하는 것이죠. 이러한 구조는 설계와 시공이 빠르고, 초기 비용도 적게 들며, 혼자 거주하거나 작은 생활을 하는 데에는 전혀 문제가 없습니다.

하지만 이 건물에 사람이 늘고, 용도가 복잡해지면 문제가 발생합니다. 한쪽이 고장 나면 전체 생활이 마비되고, 각 공간 간 기능 충돌이 일어나며, 확장하려면 아예 전체 건물을 철거하고 다시 지어야 하는 수준의 번거로움이 발생하는 구조입니다. 클라우드 아키텍처에서는 물리적 하나의 시스템에 모든 기능이 하나의 코드베이스, 하나의 실행 단위로 구성된 구조입니다.

3계층 아키텍처(Three-Tier Architecture)

▶ 기능별로 층을 분리한 복합건물 구조

3계층 아키텍처는 기능별로 건물 층을 나눈 구조에 비유하면 1층은 로비와 안내데스크(프레젠테이션/WEB 계층), 2층은 사무 공간과 회의실(비즈니스 로직/WAS 계층), 3층은 문서보관실과 자료실(데이터베이스/DB 계층)로 구성된 건물입니다.

각 층은 명확히 역할이 구분되어 있으며, 엘리베이터(라우팅/로드밸런서)를 통해 요청(사람, 업무)이 위아래로 효율적으로 이동구조입니다. 클라우드 아키텍처에서는 웹(WEB) 서버, 애플리케이션 서버(WAS), 데이터베이스(DB)기능을 분리하는 구조를 세 부분으로 나누는 방식입니다.

마이크로서비스 아키텍처(MSA, Microservices Architecture)

▶ 기능별로 독립된 공간이 분산된 스마트 타운 구조

MSA 아키텍처는 각각의 기능을 독립된 건물로 완전히 분리한 구조로 볼 수 있습니다. 즉, 마치 하나의 거대한 단일 건물 대신 로그인센터, 결제센터, 상품센터, 사용자센터 등 작고 독립된 빌딩들이 각각의 기능을 수행하는 스마트 타운과 같습니다.

이 스마트 타운에는 공통 출입구(API 게이트웨이)와 건물 간 연결을 위한전용 도로(API 또는 메시지 큐)가 있고, 각 건물은 자신만의 설계와 구조, 사람(팀)을 가지고 독립적으로 운영됩니다. 클라우드 아키텍처로는 전체 시스템을 여러 개의 작은 서비스로 나누어, 각 서비스가 독립적으로 개발·배포 될 수 있도록 구조하는 방식입니다.