리랭커
한 줄 정의
검색이 뽑은 후보 문서를 다시 한 번 정밀하게 점수 매겨 순서를 바꾸는 모델로, AI가 '어느 문서를 인용할지'를 결정하는 마지막 관문입니다.
자세히 알아보기
Reranker는 검색 단계에서 추려낸 상위 N개 후보를, 질문과 함께 더 정밀한 모델에 다시 입력해 적합도를 점수로 매기는 구성요소입니다. 보통 cross-encoder 형태라서 비용은 더 들지만, 정확도가 한 단계 올라갑니다. Cohere Rerank, BGE Reranker, 자체 학습 모델 같은 게 흔히 쓰입니다.
마케팅 관점에서 핵심은 '검색에서 우리 페이지가 뽑혔어도, 리랭커가 떨어뜨리면 인용에 못 들어간다'는 사실입니다. AI 답변 한 문단에 들어가는 인용은 보통 3~5개 수준이라, 이 좁은 문에 들어가려면 쿼리 의도와 우리 콘텐츠의 매칭이 매우 정교해야 합니다.
현장에선 리랭커가 RAG 품질을 가장 크게 끌어올리는 요소 중 하나로 꼽힙니다. 그래서 RAG 결과가 어색할 때 첫 번째로 의심해야 할 단계가 리랭커이고, GEO 진단 도구도 '검색에서는 떴는데 인용에는 안 들어간다'는 패턴을 자주 보여줍니다.
관련 용어
하이브리드 검색
키워드 검색(BM25)과 벡터 검색을 결합해 양쪽의 장점을 함께 쓰는 검색 방식으로, Perplexity·내부 RAG 같은 AI 답변 시스템이 흔히 쓰는 구조입니다.
LLMRAG
LLM이 답하기 전에 외부 문서나 검색 결과를 가져와 근거로 활용하는 구조로, ChatGPT Search·Perplexity 같은 AI 검색 답변의 핵심 기법입니다.
LLM임베딩
텍스트·이미지 같은 데이터를 의미를 보존한 채 숫자 벡터로 바꾼 결과로, 시멘틱 검색·벡터 DB·RAG의 출발점입니다.
LLM벡터 데이터베이스
임베딩 벡터를 저장하고 '의미적으로 유사한' 항목을 빠르게 찾아주는 데이터베이스로, RAG와 시멘틱 검색의 핵심 인프라입니다.
LLMRAG 평가
검색·생성 두 단계로 동작하는 RAG 시스템의 품질을 정밀하게 진단하기 위한 평가 방법론으로, '왜 답이 이상한지' 원인을 분리해줍니다.
우리 브랜드는 AI 답변에 어떻게 등장하고 있을까요?
Villion은 ChatGPT·Perplexity·AI Overview에서 브랜드 인용 현황을 진단하고, 인용률과 언급 점유율을 끌어올리는 작업을 자동화합니다.
무료 진단 받기