Spring

Server

Library

DATABASE

GIT

백준(Java ver)

SQLD

자바 Spring

자바

웹페이지

안드로이드

빅데이터

정보처리기사 통합 퀴즈

정보처리기사 실기

정보처리기사 필기

STEP 32 - 셀프호스팅 LLM으로 RAG 구축하기

셀프호스팅 LLM으로 RAG 구축하기 - vLLM과 Ollama지난 글까지 운영·거버넌스 파트를 마무리했습니다. 지금까지 다룬 모든 LLM 호출은 OpenAI 같은 외부 API를 전제로 했습니다. 이번 글부터는 LLM 인프라 심화 파트로 넘어가서, 외부 API 대신 LLM을 직접 서버에 올려 운영하는 셀프호스팅 방식을 다룹니다.1. 왜 셀프호스팅을 고려하게 되는가지난 비용 모니터링 글에서 다룬 것처럼, 트래픽이 늘어날수록 외부 API 비용은 계속 누적됩니다. 또한 보안이 중요한 도메인에서는 문서와 질문이 외부 서버로 나가는 것 자체가 부담일 수 있습니다.[외부 API 방식]장점: 인프라 관리 불필요, 최신 모델 즉시 사용 가능단점: 트래픽 비례 비용, 데이터가 외부로 전송됨[셀프호스팅 방식]장점: 데이터..

STEP 31 - RAG에서 민감정보 보호하기

개인정보(PII) 마스킹 처리 - RAG에서 민감정보 보호하기지난 글에서 문서의 만료와 폐기를 관리하는 라이프사이클 정책을 다뤘습니다. 이번 글에서는 운영·거버넌스 파트의 마지막 주제로, 문서 안에 포함된 개인정보(PII)가 검색과 답변 과정에서 그대로 노출되지 않도록 마스킹하는 방법을 정리합니다.1. RAG에서 PII 노출이 왜 특히 위험한가일반 DB 조회는 필요한 컬럼만 SELECT하면 되지만, RAG는 문서 청크 전체를 통째로 LLM에 넘기고, 그 내용이 그대로 답변에 녹아들 수 있습니다.문서 원본: "김철수(주민번호 900101-1******, 010-1234-5678)님은 2024년 3월 입사하여 개발팀에 배속되었습니다."질문: "개발팀에 언제 입사한 사람 있어?"LLM 답변: ..

성능 최적화 STEP 32 - CQRS 패턴으로 명령과 조회의 책임 분리

성능 최적화 32편 - CQRS 패턴으로 명령과 조회의 책임 분리하기21편에서는 읽기 전용 Replica로 조회를 분리했고, 28편에서는 검색을 위해 Elasticsearch에 별도로 데이터를 동기화했습니다. 사실 이 둘은 모두 CQRS(Command Query Responsibility Segregation)라는 더 큰 개념의 부분적인 적용이었습니다. 이번 글에서는 이 패턴을 정식으로 정리하고, 언제 어디까지 적용해야 하는지를 다룹니다.1. CQRS란CQRS는 데이터를 변경하는 작업(Command)과 조회하는 작업(Query)을, 서로 다른 모델로 완전히 분리하는 패턴입니다.[기존 방식 - 하나의 모델]Order 엔티티 하나로 저장도 하고, 조회도 하고, 목록도 뽑고, 통계도 냄[CQRS - 모델 분리..

성능 최적화 STEP 31 - Caffeine + Redis로 멀티 레벨 캐싱 구성하기

성능 최적화 31편 - Caffeine + Redis로 멀티 레벨 캐싱 구성하기3편에서 Redis로 캐싱 전략을, 14편에서 캐시 스탬피드 방지를 다뤘습니다. 그런데 아무리 Redis가 빨라도, 결국 네트워크를 한 번 거쳐야 합니다. 이번 글에서는 애플리케이션 서버 안에 로컬 캐시를 두고 Redis와 함께 계층화해서, Redis 조회조차 줄이는 멀티 레벨 캐싱을 정리합니다.1. Redis만으로도 부족할 수 있는 이유Redis 캐싱을 적용하면 DB 조회는 확실히 줄어들지만, 여전히 매 요청마다 네트워크를 통해 Redis에 접근해야 합니다.[DB 직접 조회] 평균 30ms[Redis 조회] 평균 1~2ms (네트워크 왕복 포함)[로컬 메모리 조회] 평균 0.01ms 이하숫자만 보면 Redis도 이미 ..

STEP 30 - 문서 라이프사이클 관리

문서 라이프사이클 관리 - 만료와 폐기 정책지난 글에서 재해 복구 전략을 다루며 원본 문서 보관의 중요성을 강조했습니다. 그런데 문서를 안전하게 보관하는 것 못지않게 중요한 문제가 하나 더 있습니다. 시간이 지나면서 더 이상 유효하지 않은 문서가 벡터 DB에 그대로 남아, 오히려 잘못된 답변의 원인이 되는 상황입니다. 이번 글에서는 문서의 만료와 폐기를 체계적으로 관리하는 방법을 정리합니다.1. 오래된 문서가 왜 문제가 되는가RAG는 검색된 문서를 그대로 근거 삼아 답변하는 구조이기 때문에, 폐기된 정책이나 만료된 규정이 벡터 DB에 남아있으면 그 내용을 그대로 사실처럼 답변에 포함시킵니다.질문: "재택근무는 몇 회까지 가능해?"벡터 DB에 남아있는 문서들:- (2023년 작성, 폐기됨) "재택근무는 주..

STEP 29 - RAG 시스템 재해 복구(DR) 전략

RAG 시스템 재해 복구(DR) 전략지난 글에서 벡터 DB를 파티셔닝과 샤딩으로 확장하는 방법을 다뤘습니다. 규모가 커진 시스템일수록 장애가 났을 때 피해도 커지기 마련입니다. 이번 글에서는 벡터 DB나 LLM API 제공사에 장애가 발생했을 때 RAG 서비스를 어떻게 지속시킬지, 재해 복구(DR) 전략을 정리합니다.1. RAG 시스템의 장애 지점은 어디인가지금까지 다룬 RAG 파이프라인을 장애 관점에서 다시 살펴보면, 장애가 날 수 있는 지점이 생각보다 여러 곳에 흩어져 있습니다.[문서 적재 경로]원본 문서 저장소 → 벡터 DB (pgvector)[질의응답 경로]임베딩 API → 벡터 DB → Reranker API → LLM API이 중 하나라도 장애가 나면 전체 답변이 실패할 수 있습니다. 특히 임..

성능 최적화 STEP 30 - Transactional Outbox 패턴

성능 최적화 30편 - Transactional Outbox 패턴으로 이벤트 발행 신뢰성 확보하기29편에서 Saga 패턴을 다루며, 각 서비스가 로컬 트랜잭션을 커밋한 뒤 이벤트를 발행해 다음 단계로 넘어간다고 설명했습니다. 그런데 여기엔 숨겨진 문제가 하나 있습니다. DB 커밋과 이벤트 발행이 하나의 원자적 작업이 아니라는 점입니다. 이번 글에서는 이 문제(Dual Write Problem)와, 이를 해결하는 Transactional Outbox 패턴을 정리합니다.1. Dual Write Problem - 두 시스템에 동시에 쓸 수 없다11편에서 봤던 주문 완료 로직을 다시 보겠습니다.@Transactionalpublic void completeOrder(Long orderId) { Order o..

성능 최적화 STEP 29 - Saga 패턴으로 트랜잭션 처리하기

성능 최적화 29편 - Saga 패턴으로 여러 서비스에 걸친 트랜잭션 처리하기11편 Kafka, 23편 서킷 브레이커, 28편 Elasticsearch 동기화까지, 시스템이 여러 서비스로 나뉜 구조를 계속 다뤄왔습니다. 그런데 정작 가장 근본적인 질문 하나를 남겨뒀습니다. 주문, 결제, 재고가 각각 다른 서비스와 다른 데이터베이스에 있다면, 하나의 트랜잭션으로 묶을 수 없는 이 작업들을 어떻게 안전하게 처리할까요? 이번 글에서는 이 문제를 푸는 Saga 패턴을 정리합니다.1. 단일 데이터베이스에서는 당연했던 것같은 데이터베이스 안에서는 @Transactional로 여러 작업을 하나로 묶고, 하나라도 실패하면 전부 롤백시킬 수 있었습니다.@Transactionalpublic void createOrder(..

DATABASE SEMI PROJECT - MOVIE RANK DATA

★ MOVIE RANK DATA https://movie.naver.com/movie/sdb/rank/rmovie.naver 랭킹 : 네이버 영화 영화, 영화인, 예매, 박스오피스 랭킹 정보 제공 movie.naver.com 현재 네이버 영화에 있는 순위 목록을 크롤링 하여, 1. 개념적 모델링 2. 논리적 모델링 3. 물리적 모델링 4. DDL 생성 5. DML 생성 6. SELECT 검증 순으로 진행하였다. ■ STEP 1. 데이터 크롤링 현재 랭킹에 있는 정보와 영화 상세 정보들을 크롤링 하여 excel에 종합하였다. 컬럼은 총 21 컬럼으로, 1위 ~ 50위에 위치하는 영화들을 가져왔다. 1. 순위 2. 제목 3. 개봉년도 4. 관람객 평점 5. 평론가 평점 6. 네티즌 평점 7. 개요 8. 장르..

깃허브 초기 셋팅하기

★ 깃(Git) 설치 먼저 설치하기 위해서 깃(Git) 홈페이지(https://git-scm.com/)에 들어가야 한다. 깃(Git) 홈페이지에 들어오시면 'Latest source Release'라는 부분에 'Download for Windows'를 클릭하셔서 설치할 수 있고, 설치 과정은 계속 다음(또는 Next)을 눌러주면 된다. 보통 윈도우 데스크탑 설치는 64-bit Git for Windows Setup을 설치하면 된다. 설치 완료 ★ 설치 완료 후 Git Bash를 클릭하여 실행한다. (!!사용자명과 이메일 주소는 깃허브의 등록사항과 같아야한다) git config -- global user.name "사용자명" git config --global user.email "아이디@이메일주소" g..

STEP 22 - Query Routing

Query Routing - 질문 유형별로 검색 파이프라인 분기하기지난 글에서 멀티모달 RAG로 텍스트뿐 아니라 이미지·표까지 검색 대상에 포함시켰습니다. 그런데 지금까지 다룬 벡터 검색, GraphRAG, Hybrid Search를 모든 질문에 똑같이 다 돌리는 건 비효율적입니다. 이번 글에서는 질문 유형을 먼저 판단해서 적절한 검색 경로로 분기하는 Query Routing을 다룹니다.1. 왜 모든 검색 방식을 한 질문에 다 쓰면 안 되는가지금까지 다룬 검색 방식들은 저마다 강점이 다릅니다."재택근무 정책이 뭐야?" → 벡터 검색이 가장 적합"김철수 팀장이 승인권을 가진 정책은?" → GraphRAG가 가장 적합"SHD-2024-0091 계약서 찾아줘" → Hybrid Sea..

STEP 30 - 문서 라이프사이클 관리

문서 라이프사이클 관리 - 만료와 폐기 정책지난 글에서 재해 복구 전략을 다루며 원본 문서 보관의 중요성을 강조했습니다. 그런데 문서를 안전하게 보관하는 것 못지않게 중요한 문제가 하나 더 있습니다. 시간이 지나면서 더 이상 유효하지 않은 문서가 벡터 DB에 그대로 남아, 오히려 잘못된 답변의 원인이 되는 상황입니다. 이번 글에서는 문서의 만료와 폐기를 체계적으로 관리하는 방법을 정리합니다.1. 오래된 문서가 왜 문제가 되는가RAG는 검색된 문서를 그대로 근거 삼아 답변하는 구조이기 때문에, 폐기된 정책이나 만료된 규정이 벡터 DB에 남아있으면 그 내용을 그대로 사실처럼 답변에 포함시킵니다.질문: "재택근무는 몇 회까지 가능해?"벡터 DB에 남아있는 문서들:- (2023년 작성, 폐기됨) "재택근무는 주..

STEP 13 - Spring Boot에 RAG 연동하기

Spring Boot에 RAG 연동하기 - 실전 서비스 아키텍처 설계지금까지는 Python 스크립트로 임베딩, 검색, LangChain 파이프라인을 실습했습니다. 하지만 실제 서비스는 백엔드가 Spring Boot로 돌아가는 경우가 많습니다. 이번 글에서는 지금까지 다룬 RAG 개념을 Spring Boot 서비스에 실제로 연동하는 아키텍처와 구현 방법을 정리합니다.1. 전체 아키텍처 그림RAG를 Spring Boot에 붙이면 다음과 같은 흐름으로 요청이 처리됩니다.[문서 적재 흐름]관리자 문서 업로드 API → DocumentService (청킹) → EmbeddingModel (임베딩 변환) → VectorStore (pgvector 테이블 저장)[질의응답 흐름]사용자 질문 API → ChatS..

STEP 10 - 검색 정확도를 높이는 방법

검색 정확도를 더 높이는 방법 - Reranking지난 글에서 LangChain으로 RAG 파이프라인을 처음부터 끝까지 구축해봤습니다. 그런데 실제로 서비스를 운영하다 보면, 벡터 검색만으로는 항상 "가장 적절한" 문서가 상위에 오지는 않는다는 걸 발견하게 됩니다. 이번 글에서는 이 문제를 보완하는 Reranking(재정렬) 기법을 정리합니다.1. 벡터 검색만으로 충분하지 않은 이유벡터 검색은 코사인 유사도라는 하나의 기준으로만 문서를 정렬합니다. 그런데 유사도가 높다고 해서 항상 질문에 가장 적합한 답인 것은 아닙니다.질문: "재택근무 승인은 누가 하나요?"벡터 검색 결과 (유사도 순)1위 (0.81) "재택근무는 팀장 승인 하에 주 2회까지 가능합니다."2위 (0.79) "재택근무 신청은 인사 시스템..

STEP 8 - 문서 청킹 전략

문서 청킹(Chunking) 전략 - 검색 품질을 좌우하는 핵심지난 글에서 pgvector에 문서를 저장하고 검색하는 실습을 진행했습니다. 그런데 실제 문서는 그때처럼 짧은 한 문장이 아니라, 보통 페이지 단위, 문단 단위로 길이가 제각각입니다. 이번 글에서는 긴 문서를 어떻게 쪼개야 검색 품질이 좋아지는지, 청킹(Chunking) 전략을 정리합니다.1. 왜 문서를 그대로 임베딩하면 안 되는가문서 하나(예: 10페이지짜리 사내 규정집) 전체를 통째로 임베딩하면 두 가지 문제가 생깁니다.임베딩 모델에는 입력 가능한 토큰 수 제한이 있어서, 긴 문서는 애초에 한 번에 넣을 수 없습니다.설령 넣을 수 있다 해도, 문서 하나의 벡터는 "그 문서 전체의 평균적인 의미"로 뭉뚱그려지기 때문에, 문서 안의 특정 조항..

STEP 11 - 답변 품질을 측정하는 방법

RAG 시스템 평가하기 - 답변 품질을 측정하는 방법지난 글에서 Reranking으로 검색 정확도를 끌어올리는 방법을 다뤘습니다. 그런데 검색과 답변 생성 단계를 아무리 잘 구축해도, "지금 이 RAG 시스템이 실제로 잘 동작하고 있는가"를 객관적으로 판단할 방법이 없다면 개선 방향을 잡기 어렵습니다. 이번 글에서는 RAG 시스템을 정량적으로 평가하는 방법을 정리합니다.1. 왜 RAG는 평가가 특히 어려운가일반적인 분류 모델은 "정답이 맞았는가 틀렸는가"로 명확하게 평가할 수 있습니다. 하지만 RAG는 평가해야 할 지점이 여러 단계로 나뉘어 있습니다.질문 → [검색 단계] 관련 문서를 잘 찾아왔는가? → [생성 단계] 찾아온 문서를 바탕으로 답변을 잘 만들었는가?검색은 잘했는데 답변 생성에서 문서..

STEP 9 - LangChain으로 RAG 파이프라인 처음부터 구축하기

LangChain으로 RAG 파이프라인 처음부터 구축하기지금까지 임베딩, 벡터 유사도 검색, 벡터 DB, pgvector 실습, 청킹 전략까지 RAG를 이루는 조각들을 하나씩 살펴봤습니다. 이번 글에서는 이 조각들을 LangChain으로 엮어서, 문서 업로드부터 질의응답까지 전체 RAG 파이프라인을 하나의 흐름으로 구축해보겠습니다.1. LangChain이 하는 역할지금까지 직접 짰던 코드(청킹 → 임베딩 → DB 저장 → 검색 → 프롬프트 조합)를 하나하나 연결하는 게 번거로웠다면, LangChain은 이 단계들을 표준화된 컴포넌트로 제공해서 파이프라인을 훨씬 짧은 코드로 구성할 수 있게 해줍니다.[직접 구현]청킹 함수 작성 → 임베딩 API 호출 → DB insert 쿼리 작성→ 검색 쿼리 작성 → 프..

성능 최적화 STEP 5 - 인덱스 설계와 튜닝으로 쿼리 속도 개선하기

성능 최적화 5편 - 인덱스 설계와 튜닝으로 쿼리 속도 개선하기지금까지는 Fetch Join, @BatchSize, Redis 캐싱처럼 애플리케이션 레벨에서 쿼리 횟수를 줄이는 방법을 다뤘습니다. 이번 글에서는 한 단계 더 아래로 내려가, 쿼리 자체의 실행 속도를 좌우하는 인덱스 설계와 튜닝을 정리합니다.1. 인덱스가 없으면 생기는 일인덱스가 없는 컬럼으로 조회하면, 데이터베이스는 테이블 전체를 처음부터 끝까지 훑는 풀 스캔(Full Scan)을 수행합니다.select * from orders where member_id = 12345;member_id에 인덱스가 없다면, 주문 테이블이 100만 건이어도 100만 건을 전부 확인해야 원하는 행을 찾을 수 있습니다. 데이터가 쌓일수록 이 조회는 점점 느려집..