검색 접근 방식

연관성 높은 검색 결과를 제공하려면 데이터와 사용 사례에 맞는 검색 접근 방식을 선택해야 합니다.

다음 표는 Elasticsearch에서 사용할 수 있는 기본 검색 기법을 정리한 것입니다.

이름	설명	사용 시점
전문 검색	분석기와 연관성 튜닝을 활용한 전통적인 어휘 기반 검색	쿼리에 포함된 정확한 단어와 구문이 인덱스와 일치해야 하는 경우. ML 설정 없이 빠른 키워드 매칭을 원하는 경우.
텍스트 시맨틱 검색	키워드뿐 아니라 의미와 의도를 기반으로 하는 검색. 벡터 검색의 사용 사례 중 하나입니다.	쿼리가 정확한 인덱스 용어 대신 일상 언어나 동의어를 사용하는 경우. 관리형 `semantic_text` 워크플로로 시작해 보세요.
멀티모달 검색	텍스트, 이미지, 오디오, 비디오, 문서를 하나의 벡터 공간에서 의미 기반으로 검색	텍스트-이미지 검색처럼 모달리티 간 검색이 필요한 경우. 멀티모달 검색 튜토리얼로 시작하세요.
벡터 검색	벡터 필드에 저장된 벡터 임베딩을 사용한 유사도 검색	직접 준비한 임베딩을 사용하거나 벡터 필드와 모델을 직접 제어해야 하는 경우.
하이브리드 검색	전문 검색과 벡터 검색을 하나의 요청으로 결합	정확한 키워드 일치와 의미 기반 일치를 하나의 결과 집합에서 얻어야 하는 경우.
랭킹 및 리랭킹	연관성을 높이기 위한 결과 후처리	1단계 검색 결과는 충분하지만 상위 결과의 순서를 더 정교하게 조정해야 하는 경우.
지리 공간 검색	위치 기반 검색과 공간 관계 분석	결과가 위치, 거리 또는 지도상의 영역에 따라 달라지는 경우.

Tip

전문 검색은 그 자체로도 매우 강력한 도구입니다. Elasticsearch의 핵심 강점 중 하나는 유연성으로, 전문 검색으로 시작한 뒤 시간이 지나면서 더 복잡하거나 리소스를 많이 사용하는 접근 방식을 점진적으로 도입할 수 있습니다.

검색 접근 방식을 선택했다면 이를 구현할 쿼리 언어를 골라야 합니다. 사용 가능한 옵션은 검색 사용 사례를 위한 쿼리 언어에서 확인하세요.