1. 모델보다 먼저 과제를 정의
인용 찾기, 번역 비교, 초보 전통 안내는 다른 자료·기준의 과제다. ‘불교 AI’라는 넓은 약속은 차이를 숨기고 성공 정의 전부터 기반시설 지출을 부른다.
허가된 코퍼스의 한정 질문에 답하고 지지 구절을 찾는 시범을 제안한다. 기록 조건에서 오인용이 줄면 성공이며 필요한 자료가 없으면 거절이 정답일 수 있다. 연구 제안이므로 실험 주장을 뒷받침하려면 자료 허가, 독립 설문, 적격 검토자를 마련해야 한다.
2. 검색이 생성에 보태는 것
루이스 등은 외부 문서집 접근과 생성을 잇는 RAG를 제안했다. [1] 자료 찾기와 답변 작성의 구분이다. 색인은 모델 매개변수와 별도로 갱신·기록하지만 검색 결과의 충실한 이용을 보장하지 않는다.
짧은 답과 지지 구절, 주변 원문, 검색 실패를 보여 줄 수 있다. 정확한 문서·구절을 찾고 결론이 따르는지 전 경로를 평가한다. 문장만 매끈하게 하면 앞 단계 실패가 가려진다. 구조 이름은 신뢰성 증명서가 아니다.
- 01질문→
- 02출처 검색→
- 03인용 답변→
- 04사람의 검토
Matreya 편집부 도식. 연구 방법을 설명하는 그림이며 실험 결과가 아닙니다.
3. 실재 문헌도 오도할 수 있다
모델은 실재 출판물에 없는 주장을 귀속하고 부정을 놓치며 신중한 제안을 확신으로 바꿀 수 있다. 불교에서는 주석·경전, 한 종파 입장·전체 합의도 혼동한다.
ALCE는 사실 정확성과 인용 품질을 별도로 평가한다. [2] 출처 존재, 구절의 관련 증거, 증거 범위 내 주장의 세 관계를 확인하자. 출처 내용·바꿔 말하기·해석을 구분하고 해당 판·번역을 살피게 해야 한다. 문헌의 차이를 평균해 가짜 합의로 만들지 말고 보존한다.
4. 실패할 수 있는 평가 만들기
단순 출처 질문, 번역 비교, 거짓 전제 질문, 코퍼스가 답 못 하는 질문을 넣을 수 있다. 뒤 두 유형은 유보해야 할 때 지어내는지 드러낸다.
기대 답은 평가 모델과 독립적으로 준비한다. 한 사람이 출제하고 다른 사람이 근거를 확인하며 이견을 기록하고 일부는 최종 평가에 남긴다. 검색 유무 비교에는 같은 질문, 모델 판 기록, 자원 예산이 필요하다. 평균과 오류 범주를 함께 보고한다. 전통 혼동과 역자 철자 오류는 달라 동일 취급하면 개선이 어렵다.
5. 주소가 있는 구절을 제공
책 전체 링크는 검증 대부분을 독자에게 맡긴다. LongCite는 긴 맥락 질의응답의 세밀한 인용을 연구한다. [3] 전체 검색을 다시 하지 않고 확인할 정밀함을 주는 방법이 중요하다.
안정 구간 ID, 사본 앞뒷면, 권·쪽을 쓰고 검색 순서에는 의존하지 않아야 한다. 옆 문장이 나중에 비판할 논적의 입장을 밝힐 수 있으므로 맥락도 남긴다. 편한 검색 조각은 관계를 깨뜨릴 수 있다. 평가에는 소프트웨어와 함께 문헌학·전통의 전문성이 필요하다.
6. 색인도 타인의 자료를 쓴다
읽기·복사·발췌 표시·외부 전송은 다른 이용이다. BDRC 정책은 소장품을 모두 같은 무제한 상태로 볼 수 없는 이유를 보여 준다. [4]
원형 전에 출처·판·저장·표시 조건·삭제 통로·책임 연락처를 모음별 기록하자. 모델 제공자에게 구절을 보내는 일도 검토해야 한다. UNESCO AI 윤리 권고는 책임·문화 다양성의 참조이지 우리 인증이 아니다. [5] 선의 문구보다 실제 흐름을 이해·정정 가능하게 하는 것이 실무 책임이다.
7. 검토자 책임에도 경계가 필요
영역 중심 시스템은 번역의 해석을 물려받고 디지털화가 잘 된 전통이 검색을 지배할 수 있다. 중립 요청으로 결손·불균형은 못 고치므로 구성·한계를 기록한다.
봉사자는 소수 인용과 장르 혼동을 확인할 수 있지만 모든 불교 정확성의 무한 책임을 맡지 않는다. 수정 절차·담당자·중요 변경 알림이 필요하다. 검색 보조는 수행 성취 평가나 전통 명의 개인 가르침의 권위를 주장하지 않는다. 화면의 일상 동작까지 실제 평가 과제에 범위를 맞춘다.
8. 작은 결과도 쓸모 있다
미세조정은 확인한 실패를 다뤄야 한다. OCR, 이름 누락, 메타데이터 결손이 장애면 더 훈련해도 해결 안 될 수 있다. 기록 좋은 작은 검색 도구가 더 큰 가치와 명료한 증거를 줄 수 있다.
검증 구절이 지정 과제에서 인용 정확도를 높이는가가 제안 질문이다. 긍정·부정·유형 의존 모두 방법·한계가 공개되면 유용하다. 한 코퍼스 개선이 불교 전반 신뢰성을 입증하지 않는다. 출처를 찾고 오류를 고치고 미답을 인정할 때 신뢰가 자란다. 유창함과 규모만으로 지혜를 확립하지 못한다.
핵심 요점
- RAG는 검색·생성을 나누지만 충실한 답을 보장하지 않는다.
- 인용마다 존재·정확 위치·증거 관련성을 확인한다.
- 시범은 쉬운 성공뿐 아니라 미답·거짓 전제도 포함해야 한다.
출처와 더 읽을 자료
원논문, 원전 또는 기관의 공식 페이지로 연결됩니다. 접근 및 재이용 조건은 자료마다 다를 수 있습니다.
- Retrieval-Augmented Generation for Knowledge-Intensive NLP TasksLewis et al. / arXiv, 2020
RAG 구조 원논문. 결과가 불교 문헌에 자동 적용되지 않는다.
- Enabling Large Language Models to Generate Text with CitationsGao et al. / EMNLP, 2023
ALCE 벤치마크와 인용 답변 평가 논문.
- LongCite: Enabling LLMs to Generate Fine-grained Citations in Long-context QAZhang et al. / arXiv, 2024
장문 맥락 질의응답의 세밀한 인용 연구. 미래 도구의 신뢰성 증거가 아니다.
- Access PoliciesBuddhist Digital Resource Center
접근 조건이 구분되는 사례.
- Recommendation on the Ethics of Artificial IntelligenceUNESCO, 2021
책무, 권리, 문화적 다양성의 규범적 참조.
Matreya가 AI의 도움을 받아 작성한 편집 글입니다. 외부 학술 동료 심사를 받지 않았습니다. 독립적으로 확인할 수 있도록 출처를 제공합니다.
편집 정책 · 오류 신고·추가 제안
