본문으로 건너뛰기
ReviewRamble

주간 브리프

AI 리뷰를 받은편지함으로.

  • 도구, 모델, MCP 서버, 저장소의 새 리뷰(결론부터)
  • 변경이 있을 때 다시 확인한 가격과 평점
  • 새로 발행된 분석 글

모델, 에이전트, MCP 서버, 그리고 정말 시간을 들일 만한 도구.

일주일에 한 통입니다. 각 브리프의 링크로 구독을 해지할 수 있습니다. 이메일 사용 방식

코사인 유사도

코사인 유사도(cosine similarity)는 두 벡터 사이의 각도로 둘이 얼마나 비슷한지 재는 값입니다. -1부터 1까지의 범위를 가지며, 벡터의 길이는 무시하고, 검색에서 임베딩을 비교하는 가장 흔한 방법입니다.

다른 이름: cosine distance

작성 Divya Sharma · 2026년 11월 15일 확인 · 리뷰 방식

두 임베딩이 같은 방향을 가리키면 코사인 유사도는 1입니다. 직각을 이루면 0이고, 반대 방향을 가리키면 -1입니다. 방향만 중요하므로, 같은 주제를 다룬 긴 문서와 짧은 문서도 가깝다는 점수를 받을 수 있습니다.

(이름이 같은 AI 코딩 도구 Cosine과 혼동하지 마십시오.)

계산 방법

두 벡터의 내적을 구하고 두 벡터 길이의 곱으로 나눕니다. 두 벡터가 이미 길이 1로 정규화되어 있다면 코사인 유사도는 단순 내적과 같고, 계산도 더 쌉니다. 그래서 많은 임베딩 모델이 정규화된 벡터를 돌려줍니다.

코사인 거리

일부 벡터 데이터베이스는 유사도 대신 거리를 요구합니다. 코사인 거리는 보통 1에서 코사인 유사도를 뺀 값이므로, 작을수록 가깝습니다.

지표 고르기

임베딩 모델이 학습할 때 쓴 지표를 쓰십시오. 모델 문서에 나와 있습니다. 정규화된 벡터라면 코사인, 내적, 유클리드 거리가 같은 순위를 내므로, 선택은 사람들이 생각하는 것보다 덜 중요합니다. 정규화되지 않은 벡터라면 결과가 다를 수 있습니다.

한계

높은 점수가 정해진 비율의 관련성을 뜻하지는 않습니다. 점수 범위는 모델마다 다르므로, 한 모델에서 잘 맞는 임계값이 다른 모델에서는 실패할 수 있습니다. 임계값은 자신의 데이터로 시험해 정하거나, 리랭커에게 판단을 맡기십시오.

관련 용어

임베딩
임베딩(embedding)은 텍스트, 이미지, 기타 데이터를 나타내는 숫자 목록(벡터)으로, 의미가 비슷한 항목끼리 가까운 벡터를 갖도록 만들어집니다.
벡터 검색(Vector search)
벡터 검색(vector search)은 항목의 임베딩을 쿼리의 임베딩과 비교해 가장 가까운 것을 돌려주는 방식으로 항목을 찾습니다. 그래서 결과가 공통 키워드가 아니라 의미로 일치합니다.
벡터 데이터베이스(Vector database)
벡터 데이터베이스(vector database)는 임베딩을 원본 레코드와 함께 저장하고, 쿼리 벡터에 가장 가까운 저장된 벡터를 찾습니다. 보통 근사 인덱스를 써서 수백만 개 항목에서도 검색이 빠르게 유지됩니다.
임베딩 차원
임베딩 차원(embedding dimension)은 임베딩 모델이 출력하는 각 벡터의 값 개수입니다. 차원이 많을수록 더 많은 세부 정보를 담을 수 있지만, 값이 하나 늘 때마다 항목당 저장, 메모리, 검색 비용이 늡니다.
리랭킹(Reranking)
리랭킹(reranking)은 후보 문서의 짧은 목록을 받아, 첫 검색보다 더 정확하지만 느린 모델로 쿼리와의 관련도에 따라 다시 정렬하는 두 번째 검색 단계입니다.

출처