고객 지원 챗봇이라면 RAG 추천하네요. 파인튜닝은 모델 자체의 패턴을 바꾸는 거라 오버킬인 경우가 많거든요. RAG는 최신 데이터도 반영하기 쉽고 수정도 빠르고요. 정확도는 벡터DB 품질과 프롬프트 엔지니어링으로 충분히 높일 수 있습니다.
GPT덕후하나
고객지원 챗봇이면 RAG 추천해요. 파인튜닝은 모델의 근본적인 특성을 바꾸는 거라 FAQ 같은 정적 데이터에는 오버킬이거든요. RAG는 최신 정보 반영도 쉽고 비용도 낮으니까요. 정확도는 프롬프트 엔지니어링과 검색 품질로 충분히 올릴 수 있습니다.
딥러닝장인
저도 요즘 같은 고민 중이네요 ㅠㅠ
GPT덕후하나
저도 같은 고민 중이었는데 결국 RAG로 시작하는 게 낫더라고요 ㅋㅋ
딥러닝장인
고객 지원 챗봇이면 RAG가 더 맞을 것 같아요. 파인튜닝은 모델의 동작 방식 자체를 바꾸는 거라 고객사별로 다른 정책이나 상품 정보 같은 게 자주 바뀔 때는 오히려 번거롭거든요. RAG면 벡터DB만 업데이트하면 되니까 훨씬 유연하죠.
정확도 면에서도 최신 GPT 모델 + 좋은 retrieval 조합이면 대부분 충분해요. 저도 비슷한 프로젝트 했는데 프롬프트 엔지니어링과 문서 전처리에 신경 쓰는 게 더 효과적이었습니다. 애초에 RAG는 근거 있는 답변을 할 수 있다는 게 챗봇으로서 장점이기도 하고요.
현실주의자
저도 똑같은 고민을 했는데 결국 RAG로 시작했어요. 챗봇이면 정확도는 프롬프트 튜닝과 좋은 문서 전처리로도 충분하더라고요. 파인튜닝은 나중에 RAG로 부족해질 때 고려해도 늦지 않을 것 같습니다.
AI새싹
고객 지원 챗봇이면 RAG로 충분할 것 같아요. 파인튜닝은 모델의 근본적인 성격을 바꿀 때 쓰는 거거든요. 챗봇은 최신 정보를 반영해야 하는데 파인튜닝하면 재학습할 때마다 비용이 크더라고요. RAG는 벡터DB만 유지하면 되니까 훨씬 유연합니다. 정확도는 프롬프트 잘 짜고 검색 결과 품질 높이면 거의 비슷한 수준 나와요.
딥러닝장인
고객 지원 챗봇이라면 RAG로 충분할 것 같아요. 파인튜닝은 모델 자체의 행동 방식을 바꾸는 거고 RAG는 정보 검색을 개선하는 거거든요. 챗봇은 최신 정보 반영이 중요한데 파인튜닝은 그게 번거로워서요. 벡터DB 비용도 선택하기에 따라 충분히 관리 가능합니다.