LLM을 활용한 검색 쿼리 변화: 전통적 방식 대비 LLM 방식 접근법

GPT-4와 같은 대규모 언어 모델(LLM)이 검색 기술에 통합되면서 검색 쿼리가 처리되고 이해되는 방식이 크게 변화하여 보다 직관적이고 문맥에 맞는 정확한 답변을 제공함으로써 사용자 경험이 향상됩니다. 아래에서는 이러한 변화를 설명하기 위해 다양한 주제에 걸쳐 기존(AS-IS) 방식과 최신 LLM (To-BE) 방식을 비교해 보겠습니다.

1. 일반 검색

AS-IS : 키워드 중심으로, 사용자가 단어나 구문을 신중하게 선택해야 하며, 검색 결과에 따라 검색어를 여러 번 구체화해야 하는 경우가 많습니다. (예: '프랑스 혁명 날짜')

To-BE : 자연어 이해 기능을 통해 사용자는 전체 문장으로 복잡한 질문을 할 수 있으며, 모델은 문맥에 맞게 쿼리를 해석하고 설명이나 요약을 포함한 구체적인 답변을 제공합니다. (예: "프랑스 혁명은 언제 시작되었고 그 이유는 무엇인가요?")

2. 기술 지원 또는 문제 해결

AS-IS : 사용자가 특정 오류 코드를 입력하거나 기술적인 용어로 문제를 설명해야 하며, 포럼과 문서를 검색하여 해결 방법을 찾아야 합니다. (예: "오류 404 수정 사항을 찾을 수 없음")

To-BE : 사용자가 일상적인 언어로 문제를 설명하면 LLM이 문제를 해석하고 다양한 해결책을 제안하거나 유사한 사례를 바탕으로 단계별 문제 해결 가이드를 제공할 수도 있습니다. (예: "웹사이트가 로드되지 않고 404 오류라고 표시되는데 어떻게 해야 하나요?")

3. 건강 및 웰니스 관련 조언

AS-IS : 검색 시 다양한 건강 사이트의 일반적인 정보가 표시되므로 사용자는 관련 조언(예: '두통 완화')을 찾기 위해 콘텐츠를 샅샅이 훑어보아야 합니다.

To-BE : 사용자는 자신의 증상을 자세히 설명할 수 있으며, LLM은 의료 전문가와의 상담을 권장하면서 맞춤형 조언을 제공할 수 있습니다. 또한 평판이 좋은 출처에서 얻은 결과를 요약할 수도 있습니다. (예: "이틀 동안 머리 한쪽이 욱신거리는 두통이 있는데 어떻게 하면 완화할 수 있을까요?")

4. 교육 콘텐츠 및 학습

AS-IS : 학습 자료를 검색할 때 특정 강의 제목이나 주제를 사용하여 검색하는 경우가 많아서 여러 교육 플랫폼의 결과가 혼합되어 표시됩니다. (예: '파이썬 기초 배우기')

To-BE : 학생은 대화 방식으로 특정 개념에 대한 설명을 요청할 수 있으며, LLM은 자세한 튜토리얼, 예제를 생성하거나 추천하거나 이해를 테스트하기 위한 퀴즈 질문(예: "파이썬에서 루프의 작동 방식을 예제와 함께 설명할 수 있나요?") 을 생성할 수도 있습니다.

5. 여행 계획

AS-IS : 특정 목적지, 날짜 및 기타 여행 세부 정보를 입력해야 하며, 사용자가 여러 탭이나 사이트에서 옵션을 비교하도록 유도하는 경우가 많습니다. (예: "뉴욕 호텔 4월")

To-BE : 사용자는 숙박, 액티비티, 여행 날짜에 대한 선호도를 포함하여 전체 여행 계획을 한 번의 쿼리로 설명할 수 있습니다. 그러면 LLM이 종합적인 여행 계획을 제공하고, 방문하기 가장 좋은 시기를 제안하거나, 관심사에 따라 추천 활동 목록을 큐레이션할 수도 있습니다. (예: "4월에 뉴욕 여행을 계획 중인데, 저렴한 호텔과 꼭 방문해야 할 장소를 찾고 있습니다")

6. 레시피 및 요리 제안

AS-IS : 요리 이름이나 주요 재료로 레시피를 검색해야 하며, 종종 다양한 출처의 광범위한 레시피가 표시됩니다. (예: '치킨 카레 레시피')

To-BE : 사용자는 특정 식이 제한, 선호도 또는 보유하고 있는 재료에 따라 레시피를 요청할 수 있으며, LLM은 사용자의 필요에 맞게 개인화된 레시피를 생성하거나 기존 레시피를 수정할 수 있습니다. (예: "닭고기, 쌀, 피망으로 무엇을 요리할 수 있나요? 글루텐 프리 옵션을 선호합니다.")

7. 쇼핑 및 제품 조사

AS-IS : 쇼핑 쿼리는 일반적으로 사용자가 특정 제품 이름이나 카테고리를 입력해야 하며, 여러 이커머스 웹사이트에서 비교 쇼핑을 통해 최적의 거래 또는 가장 적합한 제품을 찾는 경우가 많습니다. (예: "2023년 최고의 무선 헤드폰")

To-BE : LLM을 통합하면 사용자가 자신의 필요, 선호도, 예산, 사용 시나리오를 대화 방식으로 설명할 수 있으므로 모델이 개인화된 제품 추천을 제공할 수 있습니다. 또한 리뷰를 요약하고, 여러 판매자의 기능과 가격을 비교하며, 사용자 기준에 따라 최적의 구매 옵션을 제안할 수도 있습니다. (예: "러닝용 100달러 미만의 무선 헤드폰을 찾고 있는데 어떤 것을 추천해 주시겠습니까?")

쇼핑 케이스의 세부적인 비교

7-1. 개인화

AS-IS : 미리 정의된 카테고리와 사용자가 선택한 기준에 따라 필터링 및 정렬하는 것으로 제한됩니다.

To-BE : 세부적인 사용자 선호도, 과거 검색 기록, 자연어 쿼리에서 추론된 요구 사항을 기반으로 고도로 개인화된 제안을 제공합니다.

7-2 요약 리뷰

AS-IS: 사용자는 제품의 품질과 적합성을 측정하기 위해 여러 웹사이트의 리뷰를 일일이 읽어야 했습니다.

To-BE : LLM은 여러 소스의 제품 리뷰를 집계하고 요약하여 주요 감정, 장단점을 강조함으로써 시간을 절약하고 균형 잡힌 시각을 제공할 수 있습니다.

7-3 가격 비교

AS-IS : 여러 웹사이트를 방문하거나 전용 가격 비교 도구를 사용해야 합니다.

To-BE : 잠재적인 할인 또는 프로모션을 포함하여 여러 공급업체의 가격을 자동으로 비교하고 실시간 데이터를 기반으로 최적의 거래를 제안합니다.

7-4 제품 검색

AS-IS : 검색 엔진 최적화(SEO)와 사용자의 효과적인 검색어 입력 능력에 따라 달라지는 경우가 많습니다.

To-BE : 자연어 이해를 통한 향상된 검색 기능으로 사용자가 명시적으로 검색하지는 않았지만 설명한 요구 사항에 맞는 제품 및 솔루션을 찾을 수 있습니다.

7-5 판매 후 지원 및 FAQ

AS-IS : 판매 후 지원을 검색하려면 제조업체의 웹사이트나 커뮤니티 포럼을 탐색해야 하는 경우가 많았습니다.

To-BE : 간단한 대화형 쿼리를 통해 문제 해결 가이드, 보증 정보 및 해당 제품에 따른 고객 지원 옵션에 직접적이고 즉각적으로 액세스할 수 있습니다.

검색 쿼리에 LLM을 도입하면서 'AS-IS' 에서 'To-BE'로 진화하는 것은 보다 자연스럽고 직관적인 대화형 기술과의 상호작용으로 전환이 가능해졌습니다. 이를 통해 정보 접근성이 향상될 뿐만 아니라 각 사용자의 고유한 맥락과 필요에 맞춰 응답의 관련성과 품질이 크게 향상됩니다. 자연어를 이해함으로써 LLM은 맞춤형 조언, 효율적인 검색, 전반적으로 더 많은 정보를 바탕으로 한 편리한 검색 환경을 제공하게 됩니다.

이 내용은 Perplexity 와 ChatGPT 의 도움을 받아 작성했습니다.