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

임베딩

임베딩(embedding)은 텍스트, 이미지, 기타 데이터를 나타내는 숫자 목록(벡터)으로, 의미가 비슷한 항목끼리 가까운 벡터를 갖도록 만들어집니다.

다른 이름: vector embedding, embeddings, embedding model

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

컴퓨터는 의미를 직접 비교할 수 없지만 숫자는 빠르게 비교할 수 있습니다. 임베딩은 "비밀번호를 어떻게 재설정하나요?"와 "로그인 정보를 잊어버렸어요"를, 겹치는 단어가 거의 없는데도 서로 가까이 있는 두 벡터로 바꿉니다. 의미 검색, 클러스터링, 추천이 동작하는 것은 이 덕분입니다.

임베딩 모델

임베딩 모델은 이런 벡터를 만드는 신경망입니다. 텍스트(멀티모달 모델이라면 이미지)를 보내면 길이가 고정된 벡터를 돌려줍니다. 예로는 text-embedding-3-large와 Voyage 4 Large가 있습니다. MTEB 리더보드가 이들을 비교하고, 임베딩 모델 가이드가 고르는 데 도움을 줍니다.

쓰는 방법

검색 증강 생성에서는 문서의 모든 청크를 한 번 임베딩해 벡터 데이터베이스에 저장합니다. 질의할 때는 같은 모델로 질문을 임베딩하고, 가장 가까운 저장 벡터를 돌려줍니다. 가까움은 보통 코사인 유사도나 내적으로 잽니다.

알아 둘 것

서로 다른 모델의 벡터는 비교할 수 없으므로, 모델을 바꾸면 전부 다시 임베딩해야 합니다. 벡터의 길이가 임베딩 차원이며, 이것이 저장 비용을 좌우합니다. 임베딩은 넓은 의미는 잘 담지만 제품 코드 같은 정확한 식별자는 놓칠 수 있습니다. 팀들이 하이브리드 검색 구성에 키워드 검색을 더하는 이유 중 하나입니다.

관련 용어

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.
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.
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.
MTEB
MTEB(Massive Text Embedding Benchmark)는 텍스트 임베딩 모델을 검색, 클러스터링, 분류, 리랭킹 등 여러 작업 유형에 걸쳐 많은 데이터셋과 언어로 채점하는 공개 벤치마크이자 리더보드입니다.

출처