VIDEO NOTE
Open WebUI 지식 베이스 구축과 RAG 문서 설정 가이드
Professor Patterns · 12분 · 중급 · 26. 11. 18. · 분야별 AX 사례 › 로컬 AI 구축
Open WebUI의 지식 베이스(Knowledge Base) 기능과 관리자 패널의 문서 설정을 활용해 RAG 환경을 구성하는 방법을 다룬다. 채용 후보자 이력서 풀을 구축해 채용 공고에 맞는 지원자를 검색하는 예시로 기본 동작을 시연한다. 임베딩 모델의 원리와 교체 방법, 탑K와 청크 크기 같은 파라미터 조정, 하이브리드 검색과 리랭킹 모델 적용법까지 단계별로 설명한다.
핵심
- Open WebUI 작업공간에서 이력서 폴더를 업로드해 지식 베이스를 생성하고, 프롬프트에서 컬렉션을 참조해 채용 공고에 가장 적합한 후보자를 추렸다.
- 기본 임베딩 모델은 sentence-transformers/all-MiniLM-L6-v2이며, 관리자 패널에서 다른 모델(예: nomic-embed-text-v1.5)로 변경할 수 있다.
- 임베딩 모델을 변경하면 기존 지식 베이스의 문서를 다시 가져와 임베딩을 새로 생성해야 한다.
- MTEB 리더보드와 Hugging Face에서 다양한 임베딩 및 리랭킹 모델 성능과 특성을 확인하고 복사해 적용할 수 있다.
- Top K 파라미터로 LLM에 넘길 관련 청크 개수를 조절하고, 청크 크기와 오버랩 크기를 직접 지정할 수 있다.
- 하이브리드 검색(Hybrid Search)을 켜면 임베딩 검색 결과와 리랭킹(Reranking) 모델 검색 결과를 결합해 문맥 정확도를 높인다.
RAISE LAB 에서 배우는 사람에게
로컬이나 사내망에 Open WebUI 기반 지식 검색 시스템을 구축할 때 임베딩과 리랭커 파라미터를 어떻게 세팅해야 하는지 직관적으로 보여준다.
챕터
- 0:00Open WebUI 지식 베이스 소개 및 채용 시나리오 (새 탭에서 열림)
- 0:32지식 베이스 생성 및 이력서 파일 업로드 (새 탭에서 열림)
- 1:06채용 공고 기반 후보자 매칭 질의 시연 (새 탭에서 열림)
- 3:13관리자 패널 문서 설정과 임베딩 모델의 원리 (새 탭에서 열림)
- 5:13SBERT 및 Hugging Face에서 새 임베딩 모델 탐색 (새 탭에서 열림)
- 7:46Nomic 임베딩 모델로 교체 및 지식 베이스 갱신 (새 탭에서 열림)
- 8:42RAG 동작 과정과 Top K, 청크 파라미터 설정 (새 탭에서 열림)
- 10:57하이브리드 검색과 리랭킹 모델 적용법 (새 탭에서 열림)
이 노트는 RAISE LAB 운영팀이 고른 영상을 AI(Gemini)가 보고 한국어로 정리한 것입니다. 영상의 저작권은 원작자에게 있고, 자막·대본은 싣지 않습니다. Professor Patterns 원작자 채널 (새 탭에서 열림)