KOSHA 안전지침 RAG 프로젝트 제출 체크리스트

필수 산출물

• 데이터 전처리 - KOSHA 지침 파싱 + 청킹 + 메타데이터
• Hybrid 인덱스 - BM25 + ChromaDB 구축
• RAG 파이프라인 - Adaptive + Corrective + Safety 모드
• 안전 검증 - 경고문 자동 포함 + PPE + 법규 출처
• 평가 리포트 - RAGAS + 안전 특화 메트릭
• Go/No-Go 판단 - 배포 가능 여부 자동 판단

품질 기준

메트릭	최소	목표	내 점수
Faithfulness	0.95	0.98	____
Answer Relevancy	0.85	0.90	____
Context Precision	0.80	0.85	____
Safety Compliance	0.95	1.00	____
Numerical Accuracy	0.90	0.95	____

보너스

• 멀티모달: KOSHA 안전 표시 이미지 분석 통합
• Re-ranking: Cross-Encoder로 검색 품질 향상
• 추가 데이터: MSDS 문서 통합
• UI: Streamlit 또는 Gradio 인터페이스
• CI/CD: 평가 자동화 파이프라인

---

회고 질문

이번 주를 마무리하며 생각해보자:

1. 가장 효과적이었던 기법은? 멀티모달, Hybrid Search, RAGAS, Self-RAG, CRAG 중 어떤 것이 제조 RAG 품질을 가장 크게 개선했는가?

2. 가장 어려웠던 부분은? 구현 난이도, 디버깅, 평가 데이터 구축 중 무엇이 가장 도전적이었는가?

3. 프로덕션 적용 시 추가로 필요한 것은? 보안(API 키 관리), 확장성(동시 접속), 모니터링 등 실제 배포에 필요한 추가 요소는 무엇인가?

4. 안전 RAG의 한계는? AI가 안전 정보를 제공하는 것의 윤리적, 법적 한계는 무엇인가? 최종 판단은 누가 해야 하는가?