리랭킹
Reranking
리랭킹은 검색 시스템이 먼저 모은 후보 결과를 더 정교한 모델이나 규칙으로 다시 점수화해 순서를 바꾸는 과정입니다. 전체 문서에서 후보를 처음 찾는 검색 단계와 달리, 제한된 후보 집합의 상단 정확도를 높이는 데 초점을 둡니다.
AI 보조 조사·작성 후 원문과 대조한 설명입니다. 사례·계산은 별도 출처 표기가 없는 한 이해를 위한 가상 예시이며 실제 고객 성과가 아닙니다.
리랭킹은 검색 파이프라인 어디에 있나
검색기는 속도가 빠른 키워드나 벡터 방식으로 상위 후보를 넓게 가져오고, 리랭커는 질의와 각 후보를 더 자세히 읽어 새 점수를 매깁니다. Azure semantic ranker 문서는 BM25 또는 RRF로 만든 초기 결과에 2차 순위를 적용한다고 설명합니다.
리랭킹은 없는 문서를 새로 찾아내지 못합니다. 정답 문서가 최초 후보에 포함되지 않았다면 재정렬만으로 복구할 수 없습니다. 그래서 1차 검색은 재현율, 리랭킹은 상위 몇 개의 정밀도와 순위 품질을 중심으로 평가합니다.
후보 5개를 다시 정렬하는 예시
"환불 신청 기한" 질의에 벡터 검색이 A, B, C, D, E를 반환했다고 가정하겠습니다. A는 단어가 비슷하지만 과거 정책이고, C는 현재 약관의 정확한 조항입니다. 리랭커가 질의와 전문을 비교해 C에 0.92, A에 0.61을 부여하면 C가 1위로 올라갑니다.
| 문서 | 초기 순위 | 재점수 | 최종 순위 |
|---|---|---|---|
| A 과거 FAQ | 1 | 0.61 | 3 |
| B 블로그 | 2 | 0.70 | 2 |
| C 현재 약관 | 3 | 0.92 | 1 |
필터·검색·리랭킹의 역할 차이
필터는 날짜, 권한, 국가처럼 조건에 맞지 않는 결과를 제외합니다. 검색은 전체 색인에서 후보를 모읍니다. 리랭킹은 후보의 상대적 순서를 다시 정합니다. 세 단계를 뒤섞으면 장애 원인을 찾기 어렵습니다.
Microsoft RAG 문서는 RAG 품질이 문서 준비, 검색 설정, 임베딩과 검색 구성에 달려 있다고 지적합니다. 리랭커를 추가해도 잘못 분할된 문서나 누락된 권한 필터는 고쳐지지 않습니다.
비용과 평가의 한계
리랭커는 후보 문서의 본문을 질의와 함께 처리하므로 후보 수와 문서 길이에 따라 지연과 비용이 늘어납니다. 상위 100개를 재정렬한다고 항상 상위 20개보다 좋은 것은 아닙니다. 서비스 응답 시간과 정답 포함률을 같이 측정해야 합니다. 리랭킹을 도입할 때는 초기 후보 안에 정답이 들어오는 비율, 최종 상위 결과의 순위 품질, 추가된 처리 시간과 요청당 비용을 같은 기간에 측정해야 개선 여부를 한쪽 지표만으로 오해하지 않습니다.
- MRR은 첫 정답 순위의 역수를 질문별로 평균냅니다.
- NDCG는 여러 관련 문서의 등급과 순서를 반영합니다.
- 클릭률만으로 관련성을 확정하면 위치 편향의 영향을 받을 수 있습니다.
자주 묻는 질문
- 리랭킹을 쓰면 검색 누락을 해결할 수 있나요?
- 정답 문서가 초기 후보 안에 있어야 합니다. 후보에 없다면 색인, 질의 변환, 임베딩, 필터부터 점검해야 합니다.
- 후보를 많이 리랭킹할수록 좋은가요?
- 일반화할 수 없습니다. 후보 수를 늘리면 재현율이 좋아질 수 있지만 비용과 지연, 잡음도 늘므로 실제 질의 세트로 비교해야 합니다.
출처와 확인 범위
- Semantic ranking in Azure AI Search · Microsoft Learn · 확인 2026-10-27
리랭킹은 최초 검색 결과 집합에 2차 순위를 적용해 의미 관련성이 높은 항목을 올리는 과정입니다.
확인 범위: Azure의 semantic ranker 구현이며 모든 리랭커의 알고리즘을 대표하지 않습니다.
- Retrieval augmented generation (RAG) and indexes · Microsoft Learn · 확인 2026-10-27
RAG는 검색으로 찾은 내용을 모델 입력에 포함해 답변을 근거 데이터에 연결하는 패턴이며, 검색 품질·토큰·지연·접근통제의 영향을 받습니다.
확인 범위: Microsoft Foundry와 Azure AI Search 중심의 구현 설명입니다.