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

메타데이터 필터링(Metadata filtering)

메타데이터 필터링(metadata filtering)은 날짜, 작성자, 언어, 접근 그룹 같은 저장된 속성이 주어진 조건에 맞는 항목으로 검색을 제한하는 것으로, 벡터 유사도 순위 매기기와 함께 또는 그 전에 적용합니다.

다른 이름: filtered vector search, payload filtering

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

임베딩은 구절이 무엇에 관한 것인지는 담지만, "3월 이후 게시"나 "재무팀에 공개" 같은 사실은 담지 않습니다. 메타데이터 필터링이 이 부분을 맡습니다. 벡터 데이터베이스의 각 벡터는 필드와 함께 저장되며(Qdrant는 이를 payload라고 부릅니다), 쿼리는 "최근접 이웃을 찾되, tenant가 acme이고 연도가 올해인 것만"이라고 지정할 수 있습니다.

왜 중요한가

필터는 결과를 비슷한 것에 그치지 않고 올바른 것으로 만듭니다. 고객 지원 봇은 정책의 현재 버전만 인용해야 합니다. 멀티테넌트 앱은 다른 고객의 문서를 절대 반환해서는 안 됩니다. 쿼리 시점에 접근 필드로 필터링하는 것은 이런 보호의 한 층이지만, 유일한 층이어서는 안 됩니다.

적용 방법

사전 필터링은 조건을 먼저 적용한 뒤 일치하는 벡터만 검색합니다. 사후 필터링은 먼저 검색한 뒤 조건에 맞지 않는 항목을 빼므로, 결과가 너무 적게 남을 수 있습니다. 요즘 벡터 데이터베이스는 대부분 인덱스를 탐색하는 도중에 필터링합니다. 필터링하는 필드에 인덱스를 만들어 두면 빠르게 유지됩니다.

한계

매우 선택적인 필터는 HNSW 같은 그래프 인덱스에서 재현율을 떨어뜨릴 수 있습니다. 탐색 중 거쳐 갈 유효한 노드가 줄어들기 때문입니다. 메타데이터의 품질은 이를 만든 문서 파싱과 수집 과정의 품질을 넘지 못하므로, 날짜가 빠지거나 소유자가 틀리면 결과도 틀립니다. 검색 지표를 측정할 때는 필터링된 쿼리를 따로 테스트하십시오.

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.
HNSW
HNSW(hierarchical navigable small world)는 근사 최근접 이웃 검색을 위한 그래프 기반 인덱스입니다. 벡터를 여러 층에 걸쳐 이웃과 연결해, 검색이 가장 가까운 결과 쪽으로 빠르게 건너뛸 수 있게 합니다.
하이브리드 검색
하이브리드 검색(hybrid search)은 같은 질의로 키워드 검색과 벡터 검색을 함께 실행하고 두 순위 목록을 합쳐, 결과가 정확한 단어와 의미 모두로 일치할 수 있게 합니다.
문서 파싱
문서 파싱(document parsing)은 PDF, 스캔본, 슬라이드, 스프레드시트 같은 파일을 소프트웨어가 쓸 수 있는 구조화된 텍스트로 바꾸는 작업입니다. 평평한 문자열이 아니라 제목, 읽는 순서, 표, 이미지를 유지합니다.
검색 지표(recall@k, nDCG, MRR)
검색 지표(retrieval metrics)는 검색 시스템이 관련 문서를 얼마나 잘 반환하는지 점수로 나타냅니다. Recall@k는 상위 k개에 관련 항목이 얼마나 들어 있는지, nDCG는 관련 항목을 높은 순위에 올렸는지, MRR은 첫 번째 정답이 얼마나 일찍 나오는지를 봅니다.

출처