그라운딩은 더 신뢰할 수 있고 유용하며 사실적인 모델 응답을 생성하는 데 사용할 수 있는 기술입니다. 생성형 AI 모델 응답을 그라운딩하면 확인 가능한 정보 소스에 연결됩니다. 그라운딩을 구현하려면 일반적으로 관련 소스 데이터를 검색해야 합니다. 검색 증강 생성(RAG) 기법을 사용하는 것이 좋습니다. 검색은 일반적으로 검색엔진을 사용하여 수행되며, 검색 엔진은 소스 텍스트의 시맨틱 의미가 내장된 색인을 사용합니다.
RAG 수명 주기를 구현하는 서비스 및 구성요소 API도 있습니다(예: 혼합형 빌드를 허용하는 Vertex AI Search Builder API). 혼합형 빌드를 사용하면 다음 서비스 또는 API 중 하나를 사용하여 RAG 솔루션을 구현할 수 있습니다.
그라운딩 생성 API: 이를 사용하여 그라운딩을 구현하거나 전체 RAG 수명 주기를 위해 검색 제공업체에 연결할 수 있습니다.
문서 레이아웃 파서: 이 파서는 문서 이해를 위한 최상의 Document AI 및 Gemini를 나타냅니다. 레이아웃 파서에 관한 자세한 내용은 레이아웃 파서 사용을 참고하세요.
Vertex AI 벡터 검색: 이 검색 서비스는 성능이 뛰어나며 고품질 벡터 데이터베이스를 사용합니다.
그라운딩 API 확인: 이 API는 RAG 출력을 검색된 사실과 비교하고 사용자에게 응답을 반환하기 전에 모든 문이 그라운딩되었는지 확인하는 데 도움이 됩니다.
Vertex AI RAG Engine을 사용하여 대답 그라운딩
Vertex AI RAG Engine을 사용하여 대답을 그라운딩하려면 프롬프트를 만들어야 합니다. 다음 단계를 따르세요.
Google Cloud 콘솔에서 Vertex AI Studio를 사용하여 프롬프트 만들기 페이지로 이동합니다.
[[["이해하기 쉬움","easyToUnderstand","thumb-up"],["문제가 해결됨","solvedMyProblem","thumb-up"],["기타","otherUp","thumb-up"]],[["이해하기 어려움","hardToUnderstand","thumb-down"],["잘못된 정보 또는 샘플 코드","incorrectInformationOrSampleCode","thumb-down"],["필요한 정보/샘플이 없음","missingTheInformationSamplesINeed","thumb-down"],["번역 문제","translationIssue","thumb-down"],["기타","otherDown","thumb-down"]],["최종 업데이트: 2025-08-08(UTC)"],[],[],null,["# Ground responses using RAG\n\nGrounding is a technique that you can use to help produce model responses that\nare more trustworthy, helpful, and factual. When you ground generative AI model\nresponses, you connect them to verifiable sources of information. To implement\ngrounding, usually, you must retrieve relevant source data. The\nrecommended best practice is to use the retrieval-augmented generation (RAG)\ntechnique. Retrieval is usually done using a search engine, which uses an index\nthat's embedded with the semantic meanings of the source text.\n\nThere are also services and component APIs that implement the RAG lifecycle,\nsuch as the Vertex AI Search Builder API, which allows for mix-and-match\nbuilding. With mix-and-match building, you can implement a RAG solution using\nany of the following services or APIs:\n\n- **Grounding generation API**: You can use it to implement grounding, or link to a retrieval provider for the complete RAG lifecycle.\n- **Document layout parser** : This parser represents the best of Document AI and Gemini for document understanding. For more information about the layout parser, see [Use the layout parser](/vertex-ai/generative-ai/docs/rag-engine/layout-parser-integration#use-layout-parser).\n- **Vertex AI Vector Search**: This search service is highly performant and uses a high-quality vector database.\n- **Check grounding API**: This API compares RAG output with the retrieved facts and helps to ensure that all statements are grounded before returning the response to the user.\n\nGround responses using Vertex AI RAG Engine\n-------------------------------------------\n\nTo ground responses using Vertex AI RAG Engine, you must create a\nprompt. Do the following:\n\n1. In the Google Cloud console, go to the **Create prompt** page using\n Vertex AI Studio.\n\n [Go to Create prompt](https://console.cloud.google.com/vertex-ai/studio/multimodal)\n2. Select **Grounding: Your data**.\n\n3. Select **RAG Engine** grounding source.\n\n4. From the **Corpus** list, select your corpus name.\n\n5. In the **Top-K Similarity** field, select **20**, which is the default.\n\n6. Click **Save**.\n\nWhat's next\n-----------\n\n- To learn more about responsible AI and safety filters, see [responsible AI best practices and Vertex AI's safety filters](/vertex-ai/generative-ai/docs/learn/responsible-ai).\n- To learn more about how RAG is implemented by RAG Engine, see [RAG Engine](/vertex-ai/generative-ai/docs/rag-overview)."]]
