아마존웹서비스(AWS)가 인간 뇌의 해마 기억 체계에서 아이디어를 얻은 검색증강생성(RAG, Retrieval-Augmented Generation) 기법 ‘히포RAG(HippoRAG)’를 아마존 베드록(Amazon Bedrock)과 아마존 넵튠(Amazon Neptune)으로 구현하는 방법을 공개했다. 여러 문서에 흩어진 정보를 연결해야 하는 다중 홉(multi-hop) 추론 작업은 기존 RAG 방식이 취약한 대표 영역으로 꼽혀왔다.
히포RAG는 인간 대뇌피질이 감각 정보를 처리하는 동안 해마가 기억 간 연관성의 색인을 만든다는 해마 색인 이론(hippocampal indexing theory)에서 착안했다. 기존 RAG가 각 문서를 독립적으로 취급해 여러 출처를 넘나드는 질문에 약한 반면, 히포RAG는 개체 간 관계를 나타내는 지식그래프(knowledge graph)를 구축하고 그래프 순회와 관련도 평가에 개인화 페이지랭크(Personalized PageRank) 알고리즘을 적용해 반복적인 다단계 검색 없이도 단일 단계로 다중 홉 검색을 수행한다.
AWS가 제시한 구현 아키텍처는 네 가지 요소로 구성된다. <a href=”https://www.storium.io/%ed%81%b4%eb%a1%9c%eb%93%9c-%ec%98%a4%ed%8d%bc%ec%8a%a4-4-8-amazon-bedrock-%ec%a0%95%ec%8b%9d-%ec%b6%9c%ec%8b%9c%ec%9e%a5%ec%8b%9c%ea%b0%84-%ec%97%90%ec%9d%b4%ec%a0%84%ed%8b%b1-%ec%9e%91/”>클로드 등 파운데이션 모델을 제공하는 아마존 베드록</a>이 지식그래프 트리플 추출과 질의응답, 개체명 인식을 맡고, 아마존 넵튠 데이터베이스가 그래프 구조를 저장하며, 아마존 넵튠 애널리틱스(Neptune Analytics)가 개인화 페이지랭크 같은 고급 그래프 알고리즘을 실행한다. 여기에 아마존 타이탄 임베딩(Amazon Titan Embeddings)이 텍스트의 벡터 표현을 생성해 유사도 매칭을 지원한다. AWS는 HotpotQA 데이터셋을 예시로 삼아, 원시 텍스트에서 주어-관계-목적어 형태의 트리플을 추출해 넵튠 대량 적재용 CSV 파일로 변환하고 S3를 거쳐 넵튠 클러스터에 올리는 데이터 처리 파이프라인을 시연했다.
AWS가 공개한 시연 결과에서 히포RAG는 “모나리자를 그린 사람은 누구인가”와 같은 단순 질의뿐 아니라, “레오나르도 다빈치와 프랑스의 연관성은 무엇인가”처럼 여러 문서에 흩어진 사실을 연결해야 하는 질문에서도 개인화 페이지랭크 점수를 기준으로 관련 문서를 순위화해 응답했다. AWS는 이런 방식이 명확한 경로가 있는 ‘경로 추종형’ 질문과 달리, 여러 잠재 경로를 탐색해야 하는 ‘경로 탐색형’ 질문에서 특히 강점을 보인다며 과학 문헌 검토나 법률 사례 분석, 의료 진단 등 복잡한 기업용 사례에 활용될 수 있다고 설명했다.
AWS는 히포RAG 방식이 모델 재훈련 없이도 새로운 정보를 지속적으로 반영할 수 있고, 아마존 베드록·넵튠 등 완전관리형 서비스 기반이라 안정성과 확장성을 함께 확보할 수 있다고 강조했다. 그래프 기반 검색과 페이지랭크, 최신 대규모 언어모델(LLM)을 결합한 이번 구현은 여러 출처의 지식을 깊이 통합해야 하는 기업 환경에서 표준 RAG의 대안으로 활용될 여지를 보여준다.
