yoooon1009 님의 블로그

앱스토어 심사 거절 사유 정리: 기능 부족, 아이디어 부족도 리젝될까?

yoooon1009 — Thu, 11 Jun 2026 23:33:05 +0900

앱 기능이나 아이디어가 별로면,

앱스토어 심사에서 어떻게 거절될까?

앱스토어 심사를 준비하다 보면 이런 걱정을 하게 된다.
“내 앱이 기술적으로 문제는 없는데, 기능이나 아이디어 자체가 별로라고 거절당할 수도 있나?”
결론부터 말하면, Apple이 “당신의 앱 아이디어가 별로입니다”라고 직접 말하지는 않는다. 대신 App Review Guideline의 특정 조항을 근거로 거절 사유를 보낸다. 특히 앱의 기능이 부족하거나, 이미 App Store에 흔한 앱과 차별성이 부족하거나, 웹사이트를 앱으로 감싼 수준이라면 주로 다음과 같은 사유로 거절될 수 있다.

1. “아이디어가 별로다”가 아니라 “앱으로서 충분하지 않다”라고 온다

Apple은 앱의 사업성이나 시장성을 직접 평가하는 기관은 아니다. 즉, “이 앱은 돈이 안 될 것 같습니다” 또는 “아이디어가 매력적이지 않습니다”라는 식으로 거절하지 않는다.
하지만 앱스토어에 올라갈 만큼의 최소 기능, 유용성, 완성도, 차별성이 부족하다고 판단되면 거절될 수 있다.
이때 가장 많이 연결되는 조항이 Guideline 4.2 - Design - Minimum Functionality다.
쉽게 말하면 이런 의미다.
“이 앱은 독립적인 앱으로 보기에는 기능이 너무 부족합니다.”

예를 들어 다음과 같은 앱은 4.2로 거절될 가능성이 있다.

단순히 웹사이트를 앱 안에 띄워놓은 수준
버튼 몇 개와 정적인 정보만 있는 앱
사용자가 앱을 설치해야 할 이유가 약한 앱
기능은 있지만 실제 사용 가치가 거의 없는 앱
앱이라기보다 광고, 소개 페이지, 링크 모음에 가까운 앱

즉, Apple이 보는 핵심은 “이게 정말 앱인가?”다.

2. 흔한 앱이면 “스팸성 앱”으로 판단될 수 있다

기능이 있더라도 이미 App Store에 너무 많이 존재하는 유형이라면 Guideline 4.3 - Spam으로 거절될 수 있다.
여기서 말하는 스팸은 우리가 흔히 생각하는 광고 문자나 이메일 스팸만 의미하지 않는다. App Store 안에서 거의 비슷한 앱이 반복적으로 등록되는 것도 스팸으로 본다.

예를 들어 다음과 같은 경우다.

기존 앱과 기능 구성이 거의 같은 앱
디자인만 조금 바꾼 템플릿 앱
특정 지역, 학교, 팀, 브랜드별로 같은 앱을 여러 개 제출하는 경우
단순 타이머, 운세, 배경화면, 효과음 앱처럼 이미 너무 흔한 카테고리에서 차별성이 없는 경우

이런 경우 Apple은 “이미 존재하는 앱들과 충분히 구별되지 않는다”는 방향으로 피드백을 줄 수 있다.
개발자 입장에서는 억울할 수 있다. 나는 직접 만들었고, 코드도 다르고, 디자인도 조금 다르다고 생각할 수 있다. 하지만 Apple이 보는 기준은 “코드를 직접 짰는가?”가 아니라 “사용자 입장에서 의미 있게 다른 경험인가?”에 가깝다.

3. 다른 인기 앱과 너무 비슷하면 Copycat 이슈가 될 수 있다

앱의 아이디어나 UI가 특정 인기 앱과 너무 비슷하면 Guideline 4.1 - Copycats 문제가 될 수도 있다.
이 경우는 단순히 기능 부족과는 조금 다르다. Apple이 보기에 다른 앱의 이름, UI, 콘셉트, 흐름을 거의 따라 한 것처럼 보이면 문제가 된다.

예를 들어 다음과 같은 경우다.

인기 앱의 화면 구조를 거의 그대로 따라 함
앱 이름이나 아이콘이 기존 앱을 연상시킴
기능 흐름이 기존 앱과 너무 유사함
“조금 바꾼 클론 앱”처럼 보임

이때 Apple의 피드백은 “독창적인 아이디어를 구현하라”는 방향으로 올 수 있다.

4. 실제 피드백은 어떤 식으로 올까?

심사 피드백은 보통 감정적인 평가가 아니라 조항 기반으로 온다.

“Guideline 4.2 - Design - Minimum Functionality
앱이 충분한 기능이나 콘텐츠를 제공하지 않아 App Store에 적합하지 않습니다.”

“Guideline 4.3 - Design - Spam앱이 이미 App Store에 존재하는 앱들과 유사한 기능을 제공하며, 충분히 차별화되지 않습니다.”

“Guideline 4.1 - Design - Copycats앱이 기존 앱과 유사한 이름, UI, 기능을 사용하고 있습니다.”

정확한 문장은 케이스마다 다를 수 있다. 하지만 핵심은 같다. Apple은 “기능이 부족하다”, “앱답지 않다”, “차별성이 부족하다”, “이미 흔한 앱과 유사하다”라는 식으로 말한다.

5. 그러면 어떻게 대응해야 할까?

이런 거절을 받았을 때 가장 안 좋은 대응은 단순히 이렇게 답장하는 것이다.
“저희 앱은 직접 만든 앱입니다.”, “다른 앱을 베낀 것이 아닙니다.”, “기능은 정상 작동합니다.”

물론 이 말들이 틀린 것은 아니다. 하지만 Apple이 원하는 답은 “정상 작동한다”가 아니라 “왜 이 앱이 App Store에 있어야 하는가”에 가깝다.

따라서 대응할 때는 다음을 명확히 보여줘야 한다.

첫째, 이 앱이 사용자에게 제공하는 핵심 가치를 설명해야 한다.
둘째, 기존 앱과 다른 차별점을 구체적으로 써야 한다.
셋째, 앱 안에서 실제로 사용할 수 있는 기능을 추가하거나 강화해야 한다.
넷째, 단순 소개, 링크, 웹뷰, 광고성 화면처럼 보이는 부분을 줄여야 한다.
다섯째, 심사자가 기능을 바로 확인할 수 있도록 Review Notes에 사용 방법을 적어야 한다.

예를 들어 반려식물 관리 앱이라면 단순히 “식물 정보를 보여주는 앱입니다”라고 쓰는 것보다 다음처럼 설명하는 것이 낫다.
“이 앱은 사용자가 자신의 반려식물을 등록하고, 물 주기 일정, 분갈이 기록, 성장 사진, 잎 상태 변화, 알림 기록을 한 곳에서 관리할 수 있는 앱입니다. 단순한 식물 정보 제공 앱이 아니라, 사용자가 실제로 키우는 식물의 상태를 지속적으로 기록하고 관리할 수 있도록 설계된 앱입니다.”
이렇게 써야 심사자가 “아, 이 앱은 단순 정보 모음이나 웹뷰가 아니라 사용자의 데이터를 기반으로 반복 사용되는 앱이구나”라고 이해할 가능성이 높아진다.

6. 기능을 추가할 때 중요한 기준

거절을 피하려고 무작정 기능을 많이 넣는 것도 좋은 방법은 아니다. 중요한 것은 기능 개수가 아니라 “앱의 목적과 연결된 기능”이다.
반대로 앱의 목적과 상관없는 기능을 억지로 넣으면 오히려 앱이 산만해 보일 수 있다.
Apple 심사에서 중요한 것은 “이 앱이 사용자에게 명확한 가치를 주는가?”다.

7. 정리하면

앱스토어 심사에서 기능이나 아이디어 자체가 약하다고 판단되면 Apple은 보통 이렇게 말하지 않는다.
“아이디어가 별로입니다.”

대신 이렇게 말한다.

“Minimum Functionality에 미달합니다.”
“App Store에 적합할 만큼 유용하거나 독창적이지 않습니다.”
“이미 존재하는 앱과 충분히 구별되지 않습니다.”
“스팸성 앱으로 보입니다.”
“기존 앱을 모방한 것으로 보입니다.”

따라서 앱스토어 출시를 준비할 때는 단순히 “버그가 없는가?”만 보면 안 된다.
이 앱이 왜 앱이어야 하는지, 사용자가 왜 설치해야 하는지, 기존 앱과 무엇이 다른지, 앱 안에서 지속적으로 사용할 기능이 있는지를 설명할 수 있어야 한다.
기술적으로 정상 작동하는 앱과 App Store에 승인될 만한 앱은 다르다.
앱스토어 심사는 단순한 빌드 검사가 아니라, “이 앱이 사용자에게 충분한 가치와 앱다운 경험을 제공하는가”를 보는 과정에 가깝다.

바이브 코딩으로 앱 개발에서 출시까지 후기 / 3주 만에 앱 출시하기

yoooon1009 — Sat, 6 Jun 2026 16:35:17 +0900

안녕하세요.
AI 개발자였지만 직장을 잃고 앱 개발을 시작한 컴공 석사 바이브 코딩 1인 앱 개발자입니다.

⭐3주만에 구글 플레이 스토어와 애플 앱 스토어 출시 완료했습니다. ⭐

앱개발에 대한 지식이 거의 전무한 상태에서 바이브 코딩만으로 진행했습니다.
2020년에 자바로 작은 앱은 만들어보고, AI 개발자지만 지금 앱 개발하는데는 제가 가진 지식을 전혀 사용하지 않았습니다. 전혀 달라서 사용할 일도 없었어요

저는 이미 GPT 유료 결제 유저여서, Pro 버전으로 업그레이드 하고 Codex만으로 앱 개발을 했습니다.
IDE는 마이그레이션을 위한 SQL 파일 복사할 때만 열어봤구요. 빌드까지 Codex가 해줘서 Android Studio는 한 번도 안 열어봤습니다. iOS 빌드는 codemagic이라는 CI/CD 서비스 활용했습니다.
(그런데 코딩에는 아무래도 다들 클로드가 좋다고 하더라고요. 제가 바이브코딩 한다니깐 개발자 지인들이 다들 "아 그럼 클로드 사용해? 클로드가 좋지~" 이런 반응이에요. 에이전트 선택은 자유롭게 하시면 될 것 같습니다 )

타임라인

26.5.14	아이디어 및 개발 방향 확립, 모두의창업 지원
26.5.15 ~ 26.5.18	메인 기능 구현 MVP 제작 완료, 구글 플레이 스토어 배포 작업 완료
26.5.20	테스트 인원 충족으로 구글 플레이 비공개 테스트 시작
26.5.26	Apple Developer 등록
26.5.27	Apple Developer 등록 완료
26.5.27~26.5.28	애플 앱 스토어 배포 작업 완료
26.6.1	애플 앱 스토어 심사 제출
26.6.4	애플 앱 스토어 심사 승인
26.6.5	애플 앱 스토어 출시
26.6.6	구글 플레이 스토어 프로덕션 액세스 권한 부여, 구글 플레이 스토어 출시

위 표에는 메인 이벤트 타임라인만 적어두었고, 계속 기능과 UI/UX 개선 작업 진행했습니다.
총 24일 소요되었고, 5일 정도는 약속이 있어 작업을 아예 못했습니다. 그래서 순수하게는 19일 정도 걸렸습니다.
일 평균 14to2로 작업 진행하긴 했는데.. 바이브 코딩이라 그냥 codex한테 코딩 시켜놓고 저는 유튜브 보거나 밥 먹고 집안일 하고, 스토어 등록 정보 준비, 스크린샷 만들기 등 코딩 이외의 배포 작업 했습니다.

난이도

개발에 대한 지식이 없다면 조금 어려울 수도 있다.
하지만 결국 AI를 활용해서 누구나 출시까지 가능하다!

개발 지식이 없다면 조금 어렵게 다가올 수 있을 것 같습니다. 단편적인 예로 개발자한테는 마이그레이션은 너무 익숙한 용어지만, 개발자가 아니면 평소에 어디서 들을 일도 없으니깐요. codex가 구현과 빌드는 다 해주지만 그 이외의 배포 작업은 직접 준비해야하는데 여기서 어려울 수 있어요.
하지만 GPT가 모르면 하나부터 열까지 다 알려줍니다. 과외 선생님처럼 알려줘요. 그래서 비개발자여도 인내심만 가지고 GPT가 알려준대로 따라간다면 충분히 출시까지 가능하리라 생각합니다. 그리고 모든 공부가 이해를 기반으로 가속도가 붙듯이, 처음 낯설고 어려운 지점만 넘기면 무조건 가능합니다. 또 엄천난 숙련도를 요구하는게 아니라서 한 일주일만 투자하면 될 것 같아요.

저처럼 앱 개발자는 아니지만 다른 분야의 개발자이고 앱 개발하고 싶은데 망설이고 있다면 바로 시작하세요.

후기

저 진짜 취업 못 할 것 같아요ㅎ.. 바이브코딩 최고네요. 저라도 그냥 월 10만원 주고 코덱스 고용할 듯
그랴도 취업 준비 열심히 해보겠습니다

아 혹시 바이브코딩 앱 개발 외주, 과외, 강의 필요하시면 연락주세요
이메일: yoon_03_28@naver.com

Mac OS없이 iOS 배포 및 빌드하기/윈도우에서 애플 앱 출시하기/codemagic

yoooon1009 — Fri, 5 Jun 2026 18:09:16 +0900

안녕하세요.
이번에 맥 없이 윈도우만으로 앱 스토어 출시까지 완료했습니다!

저는 개발 환경에 있어서 리눅스가 가장 편리하다고 느끼고 있어서
개발자지만 맥을 한 번도 사용해 본 적 없고, 아마 앞으로도 관심이 없을 듯 한데요..
하지만 개인적으로 아이폰 디자인을 정말 좋아해서 10년 넘게 아이폰 유저입니다.

그래서 codemagic이라는 서비스를 활용했습니다.
(이 뒤에 codemagic 세팅 관련 글은 없습니다.)

Codemagic은 모바일 앱 개발을 위한 CI/CD 서비스로, 앱을 빌드하고 테스트하며 배포하는 과정을 자동화해준다. Flutter, React Native, iOS, Android 같은 프로젝트를 지원해 개발자가 매번 수동으로 빌드하거나 배포 준비를 하지 않아도 된다. 쉽게 말해, 코드를 올리면 Codemagic이 자동으로 앱을 만들어 확인하고 출시 준비까지 도와주는 도구다.

https://codemagic.io/start/

codemagic 사용 방법과 무료 버전 안내

서비스 이용 방법은 아주 간단합니다.

1. 코드를 구현하고 깃헙에 커밋푸시한다.
2. 깃헙을 선택해서 빌드를 시작한다.
3. App Store Connect에 빌드가 잘 올라왔는지 확인한다.

세팅만 끝내면 너무 간단해서 뭐 적을 게 없네요.. 그만큼 아주아주 편리한 도구입니다.

대신 무료버전은 한 달 500분만 빌드할 수 있어요!
LingoPick의 경우 한 번 빌드할 때 평균 15분이 소요되었습니다.
지금 작업 중인 앱은 평균 10분 정도 소요되고요.
자잘한 에러가 나지 않게 코드 잘 잡으면, 1~2개 앱 동시 개발해도 넉넉한 것 같습니다.

제가 직접 경험하고 알려드리는 빌드 전 확인할 점

1. (은근 중요⭐ ⭐ ⭐) 빌드 넘버 꼭 올리고 확인하세요! 저는 깜박했다가 빌드 다 해놓고 퍼블리싱 과정에서 에러나서 빌드 시간 몇 번 날렸습니다.
2. 변수명, 환경 설정 등 yaml과 실제 코드 구현이 일치하는 지 확인하세요. 코드 양이 많아지면 은근 하나씩 오타나거나 변수명을 다르게 설정했거나 하면서 빌드 중에 에러납니다.

Apple Developer Program 등록 후기, 등록 소요 시간

yoooon1009 — Thu, 28 May 2026 17:56:02 +0900

안녕하세요! 바이브코딩으로 앱 개발을 시작하면서 Apple Developer Program 등록까지 하게되었습니다.

우선 결제하자마자 apple ID로 등록한 이메일 주소로 결제 확인 메일이 날라옵니다.

결제 대행사 메일은 1분 만에 왔고, 애플에서 온 확인 메일은 4분 정도 뒤에 왔네요.

그리고서 저는 신분증을 업로드하지 않고 냅다 결제만 진행해서

신분증을 업로드해달라는 메일이 1시간 뒤에 왔습니다.

빠르게 주민등록증 앞 부분을 찍어서 업로드 했습니다.

다음날 아침에 바로 등록 완료되었다는 메일을 받을 수 있었습니다.

저는 평일 밤에 결제 완료해서 다음날 아침에 등록 완료 메일을 받을 수 있었는데요.

결론은, 12시간 소요되었습니다.

다른 후기를 보면 이틀 넘게 걸리기도 한다던데,

평일에 신청해서 그런 건지 엄청 빠르게 등록할 수 있었습니다!

등록 전까지 등록완료하세요라는 안내 문구와 함께 결제 페이지로 이동되는데

결제 확인 메일을 받았다면 절대 재결제 하지말고 기다려야 합니다.

미국 소매점, 마트, 리테일 관련주 정리

yoooon1009 — Sun, 24 May 2026 22:07:06 +0900

1. Walmart (WMT) – 미국 소비 방어형 대표 소매주

미국 소매점 관련주 중 가장 기본이 되는 기업이다. 미국인에게 월마트는 “싸게 생활필수품을 사는 곳”이라는 인식이 강하고, 고급 이미지보다는 가격 경쟁력·접근성·식료품 장악력이 핵심이다. 미국 내 매출 기준으로도 최상위 리테일러이며, 장바구니 물가가 부담될수록 더 자주 언급되는 방어형 소비주다. 최근에는 단순 오프라인 대형마트를 넘어 이커머스, 매장 기반 배송, 광고, 멤버십, 마켓플레이스까지 키우고 있다. 특히 월마트는 식료품에서 강한 기반을 갖고 있고, YouGov의 미국 식료품 브랜드 고려도 조사에서도 가장 높은 수준으로 나타났다. 미국 소비 둔화 국면에서도 비교적 버티는 힘이 강한 리테일 대장주다.

2. Costco (COST) – 회원제 충성도 최강 창고형 리테일주

코스트코는 단순 할인점이라기보다 “회원권을 내고 좋은 물건을 싸게 사는 곳”이라는 이미지가 강하다. 미국에서는 대용량 식료품, 생활용품, 품질 대비 가격, 그리고 커클랜드 브랜드에 대한 신뢰가 핵심 자산이다. 매장에 자주 가는 고객층이 두텁고, 쇼핑 자체가 하나의 루틴처럼 자리 잡아 브랜드 충성도가 높은 편이다. 최신 2026년 4월 매출 발표에서도 순매출과 동일매장 매출이 강하게 증가했고, 미국·푸에르토리코에만 637개 창고형 매장을 운영할 정도로 기반이 넓다. NRF 기준으로도 미국 대형 리테일 최상위권이며, ACSI 고객만족도에서도 Costco는 일반상품 리테일 부문에서 높은 점수를 유지하고 있다. 경기방어력과 프리미엄 밸류에이션이 함께 붙는 대표 종목이다.

3. Target (TGT) – 감성 할인점 + 자체 브랜드 턴어라운드주

타겟은 월마트보다 조금 더 “스타일 있는 할인점” 이미지가 강하다. 미국 소비자에게 Target은 식료품만 사러 가는 곳이라기보다 의류, 홈데코, 뷰티, 아동용품까지 둘러보는 감성형 대형마트에 가깝다. 가격은 낮추되 매장 분위기와 상품 큐레이션을 강조해 왔기 때문에, 브랜드 포지션은 월마트와 코스트코 사이에서 더 세련된 대중형 리테일에 가깝다. 최근 몇 년간 소비 둔화와 매장 경험 악화로 부진했지만, 2026년 1분기에는 비교매출이 5.6% 증가했고 디지털 비교매출도 8.9% 늘며 회복 신호를 보였다. 다만 식료품보다 의류·홈·잡화 같은 재량소비 노출이 커서 경기 민감도는 월마트보다 높은 편이다.

4. Amazon (AMZN) – 온라인 리테일 최강 플랫폼주

아마존은 전통적인 “소매점 주식”이라기보다는 온라인 쇼핑, 물류, 광고, 클라우드가 결합된 플랫폼주다. 미국 소비자에게 Amazon은 검색창에 가까운 쇼핑 인프라이고, Prime 배송 경험은 오프라인 리테일러들이 따라잡기 어려운 강점이다. 다만 순수 소매주로 보기에는 AWS와 광고 사업 비중이 커서, 월마트나 타겟과 같은 오프라인 리테일 투자 아이디어와는 성격이 다르다. 2026년 1분기 순매출은 전년 대비 17% 증가했고, 북미 매출도 12% 늘었다. 동시에 AWS 매출은 28% 증가해 이 회사의 주가를 움직이는 핵심 축이 여전히 클라우드임을 보여준다. Brand Finance도 Amazon을 10년 연속 세계에서 가장 가치 있는 리테일 브랜드로 평가했다.

5. Kroger (KR) – 미국 식료품 슈퍼마켓 대표주

크로거는 월마트·코스트코처럼 전국적 대형마트 이미지보다는 지역 기반 슈퍼마켓 체인에 가까운 식료품 리테일주다. 미국에서는 동네 장보기, 약국, 로열티 프로그램, 자체 브랜드 식료품에 강한 기업으로 인식된다. 식료품은 경기방어적이지만 마진이 낮고 경쟁이 치열하기 때문에, 크로거는 단순 매출 성장보다 디지털 식료품, 고객 데이터, 대체 수익 사업이 중요하다. 2025년 4분기에는 연료 제외 동일매출이 2.4% 증가했고, 조정 기준 이커머스 매출은 20% 늘었다. YouGov 식료품 브랜드 고려도에서도 Kroger는 미국 주요 식료품 브랜드 상위권에 포함되어 있다. 안정성은 있지만, 월마트·코스트코와 정면으로 경쟁해야 하는 부담도 큰 종목이다.

6. Home Depot (HD) – 미국 주택개선 리테일 대장주

홈디포는 식료품이 아니라 주택 수리, 리모델링, 건설자재, 공구 쪽의 리테일 대표주다. 미국인에게 Home Depot은 집을 고치거나 리모델링할 때 가장 먼저 떠올리는 매장 중 하나이고, 일반 소비자뿐 아니라 전문 시공업자와 계약업자 고객이 중요하다. 주택거래량, 금리, 리모델링 수요에 민감하기 때문에 경기방어형이라기보다는 주택 사이클주에 가깝다. 2026년 1분기 매출은 418억 달러로 전년 대비 4.8% 증가했고, 비교매출도 소폭 증가했다. ACSI 조사에서는 Home Depot과 Lowe’s가 specialty retailer 부문에서 업계 선두권 고객만족도를 기록했다. 주택경기가 회복될 때 가장 먼저 주목받는 리테일 종목 중 하나다.

7. Lowe’s (LOW) – 홈디포 2위권 주택개선 리테일주

로우스는 홈디포와 같은 홈임프루브먼트 업종이지만, 상대적으로 일반 가정·DIY 소비자 이미지가 조금 더 강하다. 미국에서는 주택 수리, 가전, 정원, 인테리어 관련 쇼핑처로 자리 잡고 있으며, 최근에는 홈디포처럼 Pro 고객을 강화하는 방향으로 움직이고 있다. 2026년 1분기 매출은 231억 달러였고, 비교매출은 0.6% 증가했다. 온라인 매출 성장, 가전, 홈서비스, Pro 부문이 실적을 지탱했다. 주가 관점에서는 주택 시장과 금리의 영향을 크게 받지만, 배당·자사주·안정적 현금흐름을 선호하는 투자자에게 자주 언급되는 종목이다. 홈디포보다 규모는 작지만, 주택 개선 사이클 회복 시 함께 움직일 가능성이 높은 2인자다.

8. TJX Companies (TJX) – 오프프라이스 할인 쇼핑 대표주

TJX는 T.J. Maxx, Marshalls, HomeGoods 등을 보유한 오프프라이스 리테일 최강자다. 미국 소비자에게는 “운 좋으면 좋은 브랜드를 싸게 건지는 곳”이라는 이미지가 강하고, 회사도 빠르게 바뀌는 상품 구성으로 ‘treasure hunt’ 쇼핑 경험을 강조한다. 백화점 정가 상품을 사기 부담스러운 소비자들이 브랜드 제품을 할인 가격에 찾을 때 강한 수요가 생긴다. 2026년 1분기에는 비교매출이 6% 증가했고, 순매출은 143억 달러로 전년 대비 9% 늘었으며, 회사는 연간 가이던스도 상향했다. ACSI에서도 TJX는 할인점 부문에서 높은 만족도를 기록했다. 인플레이션과 소비 절약 분위기가 이어질수록 오히려 수혜를 받을 수 있는 리테일주다.

9. Ross Stores (ROST) – 저가 의류·홈패션 오프프라이스 강자

Ross Stores는 Ross Dress for Less와 dd’s DISCOUNTS를 운영하는 오프프라이스 리테일 기업이다. TJX보다 더 가격 중심, 더 실속형 이미지가 강하고, 미국에서는 “깔끔한 백화점 쇼핑”보다는 “싸게 건지는 쇼핑”에 가까운 포지션이다. 의류, 신발, 홈패션을 백화점·전문점 정가 대비 낮은 가격에 판매하는 구조라 소비자가 가격에 민감해질수록 존재감이 커진다. 2026년 1분기에는 총매출이 전년 대비 21% 증가했고, 비교매출은 17% 늘어 매우 강한 실적을 기록했다. 회사는 Ross가 미국 최대 오프프라이스 의류·홈패션 체인이라고 설명하며, Ross와 dd’s DISCOUNTS를 합쳐 2,200개가 넘는 매장을 운영한다. 경기 둔화기에 강한 저가 의류 리테일주로 볼 수 있다.

10. Dollar General (DG) – 미국 시골·저소득층 생활필수품 할인점

달러제너럴은 미국 농촌·소도시·저소득 지역에서 강한 생활필수품 할인점이다. 미국 내 인식은 고급 쇼핑처가 아니라, 가까운 곳에서 식료품, 세제, 생활용품을 싸고 빠르게 사는 “동네 일반상점”에 가깝다. 회사도 스스로를 “America’s neighborhood general store”라고 포지셔닝하며, 48개 주에 2만 개가 넘는 매장을 운영한다고 밝히고 있다. 2025년 4분기 순매출은 전년 대비 5.9% 증가했고, 동일매장 매출도 4.3% 늘었다. 핵심은 가격과 접근성이지만, 고객층의 구매력이 낮아 임금·식료품 물가·정부 보조금 변화에 민감하다. 소비가 어려워질수록 트래픽이 늘 수 있지만, 동시에 마진 압박도 커질 수 있는 종목이다.

11. Dollar Tree (DLTR) – 초저가 균일가에서 멀티프라이스로 전환 중인 할인점

달러트리는 “싸고 작은 물건을 부담 없이 사는 곳”이라는 이미지가 강한 초저가 할인점이다. 예전에는 1달러샵 이미지가 뚜렷했지만, 최근에는 단순 균일가에서 벗어나 3~5달러대 상품까지 확대하는 멀티프라이스 전략으로 전환하고 있다. Family Dollar 사업을 매각한 뒤에는 Dollar Tree 본업에 더 집중하는 구조가 됐다. 2025년 4분기에는 계속영업 기준 순매출이 55억 달러, 동일매장 순매출 성장률이 5.0%를 기록했고, 2025년 동안 402개 신규 매장을 열었으며 약 2,400개 매장을 Dollar Tree 3.0 멀티프라이스 포맷으로 전환하거나 추가했다. 가격 민감 소비자를 잡는 종목이지만, 브랜드 고급화보다는 운영 효율과 상품 믹스 개선이 핵심이다.

12. Best Buy (BBY) – 전자제품 오프라인 전문점 생존주

베스트바이는 미국 전자제품 리테일의 대표 기업이다. 미국 소비자에게는 TV, 노트북, 가전, 게임기, 스마트홈 기기를 직접 보고 사는 매장 이미지가 강하다. 다만 전자제품은 온라인 가격 비교가 쉽고, Amazon 같은 플랫폼의 압박을 크게 받는 업종이라 구조적으로 쉽지 않다. 그래도 Best Buy는 매장 상담, 설치, 보증, 서비스, 온라인 마켓플레이스, 광고 사업을 통해 단순 전자제품 판매점을 넘어가려는 전략을 쓰고 있다. 2026 회계연도 4분기 비교매출은 0.8% 감소했지만, 회사는 시장점유율이 대체로 유지됐고 미국 디지털 마켓플레이스와 Best Buy Ads를 확장했다고 밝혔다. 전자제품 교체 사이클이나 AI PC, 가전 수요가 살아날 때 반등 기대가 붙을 수 있는 종목이다.

하늘영어 전화영어 한 달 후기, 전화영어 추천글

yoooon1009 — Mon, 18 May 2026 09:07:52 +0900

전화영어 시작 계기

읽기,쓰기,듣기는 엄청 잘 하지는 않지만 그래도 최소한의 의사소통은 가능한 정도라고 생각합니다.

그런데 말하기!가 너무 어렵습니다ㅠ

분명 쓰라고 하면 쓸 수 있는 간단한 문장들도,

영어로 대화하는 도중 말하라고 하면 머리가 하얘지면서 말이 안나옵니다.

주어, 동사, 목적어가 뒤죽박죽되고, 형용사 자리에 부사를 쓰고,

심지어 막 대화하다 보면 저도 모르게 you is~, she have~ 이러고 있으니,,

아무리 영어 공부를 해도 고쳐지지 않아서.

전화영어를 해야겠다고 결심했습니다.

그렇게 전화영어를 해보고 싶다. 해야할 것 같다는 생각은 자주 했지만,

너무 비싸서ㅠㅠ 엄두도 못 내고 있었는데요.

그러다 한 달 전 하늘영어 광고를 봤습니다.

주5회 15분 수업인데 5만 원대라니..!

다른 전화영어에 비해 정말 저렴한 가격에 할 수 있다는 생각과

비교하지 않아도 절대적으로 싼 가격에 선택했습니다.

수업 방식

한 분의 선생님만 겪어봤지만 제 경험을 공유하자면,

미리 다음 수업에서 다룰 토픽과 질문을 공유해줍니다.

그리고 제가 질문에 대한 답을 미리 공부해갑니다.

저는 GPT를 활용해서 "해당 질문에 대해 초등학교 4학년 수준의 답변을 영작해 줘"라고 하고, 생성된 답변을 기반으로 제 경험에 맞게 수정해서 답변 준비를 해갑니다.

저는 수업 직전에 준비해서 보통 20~30분 정도 소요되는 것 같습니다.

그리고 해당 수업에서 영어 질문지만 보면서 제가 외워간 답변을 선생님께 말하는데요.

선생님이 제 답변을 동일한 의미지만 다르게 표현해서 말해준다거나,

잘못 말하면 어떻게든 제 의도를 파악해서 올바른 문장으로 한 번 더 말해줍니다.

그리고 가끔 꼬리질문도 하는데, 제 수준에 맞게 질문합니다.

제가 요청하면 준비된 질문이 아니라 자유롭게 대화하는 것도 가능하겠지만,

프리토킹이 가능한 수준이 아니라 저는 이 정도 수업이 아주 만족스럽습니다.

한 달 후기, 다시 또 하늘영어를 선택하는 이유

1) 간편한 시스템

카카오톡으로 진행해서 간편합니다. UI/UX나 뭐 수업 시스템 이런 걸 따질 게 없이 심플하다보니 오히려 편리하게 다가옵니다. 수업 연기도 선생님께 메시지 하나 보내면 끝이고, 문의가 있으면 고객센터로 연락해야한다든가 하지 않고 카카오톡으로 바로 연락하면 됩니다.

2) 실력 향상

아무래도 제가 대화 도중 자연스럽게 사용할 수 있는 단어가 한정되어 있다 보니,

질문이 달라져도 비슷한 패턴으로 답변하게 되는데요.

그래서 유창해지지는 않았지만, 이제는 답변할 때 머리가 하얘지지는 않습니다.

첫 주에는 전화가 걸려오면 겨드랑이랑 등에서 땀부터 나고 1분, 2분 시간이 지나면 턱이랑 손에 쥐가 났는데,

한 달 되니깐 이제 땀이랑 쥐는 안납니다. 그리고 이제 막히면 아 뭐라고 답변하지?하다가 그냥 계속 쓰던 패턴 써버려요.

예를 들어 왜 그렇게 했어? 어땠어? 그 이유가 뭐야? 이러면 it was fun~ it is good for me~하고 맙니다.

저에게는 엄청난 발전이에요. 땀 흘리지 않고 일단 뭐라도 질문에 맞는 답변을 할 수 있다는 사실이요.

3) 가격

제가 전화영어를 하고 있기도 하고, 한 달 전에 전화영어 서비스를 계속 서치했어서 그런지

SNS 하다보면 전화영어 광고가 계속 뜨는데, 그래도 하늘영어가 제일 저렴합니다.

결론

역시 직접 부딪혀보는 게 좋습니다.

처음 전화했을 땐 15분 중에 Umm.. Ah... 만 몇 분을 말한 것 같은데, 한 달만에 좀 의연해진 것 같습니다.

이제는 답변 생각이 안 나더라도 당황하지 않고 침착하게 잠시 침묵을 유지하고,

침묵 끝에 결국 생각이 안 나면 그냥 I'm done~ That's all~ 할 수 있게 되었어요.

그리고 이렇게 계속 조금씩 회화 패턴들을 익혀가면서 실력을 키워나가면 될 것 같습니다.

미국 방산 드론 기술주 정리

yoooon1009 — Thu, 7 May 2026 22:51:05 +0900

1. AeroVironment (AVAV) – 순수 드론 성장주

미국 드론 관련주 중 가장 직접적인 기업이다. 미국 국방부의 주요 파트너로, 소형 무인 항공기(UAV) 분야에서 독보적인 점유율을 차지하고 있다. 소형 전술 드론과 자폭 드론으로 유명하며 실제 전장 사용 경험이 있는 몇 안 되는 기업이다. 최근에는 팔란티어(PLTR)와 협력해 AI 자율 타격 기능을 강화하고 있으며, 미 육군의 대규모 공급 계약을 따내는 등 실질적인 성과를 내고 있다. 방산 드론 테마에서는 가장 민감하게 움직이는 종목으로 성장성이 높다.

2. Kratos Defense (KTOS) – 차세대 무인 전투 기술주

비싼 유인 전투기를 대신할 '가성비 무인기' 시장을 개척 중인 기업이다. 한 대가 격추되어도 예산에 큰 타격이 없는 소모성 드론(Attritable Aircraft) 개발에 집중하고 있다. 미 국방부의 핵심 프로젝트를 다수 수행하고 있으며, 유인기와 무인기가 팀을 이뤄 비행하는 ‘로열 윙맨’ 시스템을 개발하고 있다. 특히 주력 모델인 발키리(XQ-58A)가 해외 수출 시장에서도 관심을 받기 시작하면서 국방 예산을 아끼려는 미 정부의 전략과 방향성이 잘 맞는다. 대형 방산주보다 덩치가 가벼워 기술 성과나 수주 소식에 주가가 민감하게 반응하며, 무인 전투 체계가 본격화될수록 성장할 가능성이 높다.

3. Ondas Holdings (ONDS) – 카운터드론 + AI 방산 신흥주

요즘 가장 빠르게 존재감이 커진 방산 드론 기업 중 하나다. 드론 자체뿐 아니라 드론을 탐지하고 무력화하는 C-UAS(Counter-Unmanned Aircraft System) 기술이 핵심이다. 자회사를 통해 자율 드론, 감시 드론, 전자전 시스템까지 사업을 확장하고 있으며, 최근에는 대형 스포츠 행사나 중동 국가들과 보안 계약을 맺으며 상업적 성과도 내고 있다. 특히 군용 드론과 AI 방어 시스템이 결합된 형태로 성장하고 있어 방산 테마에서 자주 언급된다. 시가총액은 작지만 기술적 확장성이 좋아 앞으로가 기대되는 종목이다.

[논문 리뷰] BitNet: Scaling 1-bit Transformers forLarge Language Models(2023)

yoooon1009 — Thu, 22 May 2025 12:19:04 +0900

Background

소속: Microsoft Research, University of Chinese Academy of Sciences

게재:

Abstract & 1 Introduction

✔️ 기존 양자화 방법들

학습 후 양자화 적용

- 훈련 파이프라인 수정과 모델 재훈련 불필요 => 간단하고 적용이 쉬움

- 학습 모델이 양자화가 적용된 표현에 최적화되지 않아 성능이 저하됨

양자화 인식 훈련(quantization-aware training)

- 학습 후 양자화 적용보다는 높은 정확도, 지속적인 학습이나 fine-tuning 가능

- 모델의 최적화가 어렵고 scaling law of neural language models를 따르는지 알 수 없음

BitNet

LLM을 위한 1-bit Transformer architecture 연구
BitLinear: 1비트 가중치를 처음부터 훈련하기 위해 nn.Linear 계층을 drop-in 방식으로 대체

2 BitNet

✔️ Overview

기존의 Transformer와 비교해서 BitNet은 이진화된 가중치로 이뤄진 BitLinear를 사용.
잔차 연결, QKV, 임베딩 등은 성능 유지 목적에서 다른 구성 요소의 경우 8비트 가중치를 사용해 고정밀도 유지
계산 효율성을 극대화하면서도 성능 저하를 최소화한 설계 전략

2.1 BitLinear

✔️ 가중치 양자화

가중치 값이 해당 가중치 매트릭 $W \in \mathcal{R}^{n \times m}$의 평균값 보다 크면 +1, 작거나 같으면 -1로 변환

$$ \widetilde{W} = \text{Sign}(W - \alpha) $$

$$ \text{Sign}(W_{ij}) = \begin{cases} +1, & \text{if } W_{ij} > 0, \\ -1, & \text{if } W_{ij} \leq 0, \end{cases} $$

$$ \alpha = \frac{1}{nm} \sum_{ij} W_{ij} $$

✔️ activation function 양자화

$Q_b = 2^b - 1$: $b$ 비트 정수 표현에서 가질 수 잇는 최대 양의 정수 값

1. $x$를 $[ -Q_b, Q_b]$ 범위로 정규화

$$ \widetilde{x} = \text{Quant}(x) = \text{Clip}(x \times \frac{Q_b}{\gamma}, -Q_b + \epsilon, Q_b - \epsilon) $$

$$ \text{Clip}(x, a, b) = \text{max}(a, \text{min}(b, x)), \gamma = ||x||_\infty$$

2. activation 적용 전 $x$를 $[0, Q_b]$ 범위로 이동

$$ \widetilde{x} = \text{Quant}(x) = \text{Clip}((x - \eta) \times \frac{Q_b}{\gamma}, \epsilon, Q_b - \epsilon), \eta = \min_{ij} x_{ij}$$

✔️ BitLinear

activation quantization 전에 LayerNorm을 적용하고, 양자화 후에 스케일링 계수 $\beta$를 사용하여 실수값과 이진화된 가중치 사이의 $l2$ 오차를 줄임

$$ y = \widetilde{W}\widetilde{x} = \widetilde{W} \text{Quant}(\text{LN}(x)) \times \frac{\beta\gamma}{Q_b} $$
$$ \text{LN}(x) = \frac{x - E(x)}{\sqrt{\text{Var}(x) + \epsilon}}, \quad \beta = \frac{1}{nm}||W||_1 $$

2.3 Computational Efficiency

모든 모델 크기(6.7B, 13B, 30B)와 공정(7nm, 45nm)에서, BitNet (WBits=1)이 Transformer (WBits=32 또는 16)보다 훨씬 적은 에너지를 소모하는 것을 볼 수 있습니다.
일반적으로 곱셈(MUL) 연산이 덧셈(ADD) 연산보다 더 많은 에너지를 소모합니다.

3 Comparison with FP16 Transformers

3.2 Inference-Optimal Scaling Law

BitNet은 손실 스케일링이 전력 법칙을 따르는 FP16 트랜스포머와 유사하다
BitNet 모델의 실제 성능(손실)을 매우 정확하게 예측할 수 있음
모델 크기가 커짐에 따라 BitNet과 FP16 트랜스포머 사이의 격차가 작아짐
7nm 공정 노드에서 추론 에너지 비용에 대한 스케일링 곡선을 통해 BitNet의 확장 효율이 훨씬 더 높다는 것을 증명함
고정된 계산 예산이 주어졌을 때 BitNet은 훨씬 더 나은 손실을 달성하면서, FP16 모델과 동일한 성능을 얻기 위한 추론 비용은 훨씬 더 작음

3.3 Results on Downstream Tasks

해석 가능한 지표를 활용하여, 네 가지 다운스트림 태스크(Hellaswag, Winogrande, Winograd, Storycloze)에서 Zero-shot 및 Few-shot 성능을 테스트
연산 예산(Computation Budget) 증가에 따라 다운스트림 태스크 성능도 향상됩니다 (손실 스케일링과 유사).
BitNet의 능력 스케일링 효율은 FP16 Transformer 기준선보다 훨씬 높습니다. ( Zero-shot 및 Few-shot 성능 모두에서 확인)

3.4 Stability Test

그림 5a는 안정성 테스트의 결과를 보여줍니다. 이 그림은 BitNet이 큰 학습 속도로 수렴할 수 있는 반면 FP16 트랜스포머는 수렴할 수 없음을 보여줌으로써 BitNet의 훈련 안정성이 더 우수하다는 것을 보여줍니다.
그림 5b는 학습률 증가로 인해 BitNet이 PPL 측면에서 더 나은 수렴을 달성할 수 있음을 보여줍니다.

4 Comparison with Post-training Quantization

4.2 Results

낮은 비트 수준에서 기준 접근 방식에 비해 경쟁력 있는 성능 수준을 달성하는 데 있어 BitNet이 효과적
8비트 모델 비교해서 성능이 비슷하지만 추론 비용은 훨씬 낮습니다
4비트 모델과 비교해서 PTQ 방법이 더 뛰어나다.(GPTQ vs. BitNet)
1트 모델과 비교햇을 떄는 PTQ 방식보다 BitNet이 더 성능이 좋다
더 낮은 비트 모델의 경우, BitNet은 모든 기준선보다 일관되게 우수한 점수를 받았습니다. 이는 훈련 후 양자화 방식에 비해 양자화 인식 훈련 접근법의 장점이 입증된 것

모델 크기를 13억 개에서 67억 개로 확장했을 때 우리 방법과 기준선의 제로 샷 정확도와 소수 샷 정확도를 모두 요약한 것입니다. 이는 다양한 규모에서 이점이 일관되게 유지된다는 것을 증명합니다.

6 Conclusion and Future Work

We present BitNet, a novel 1-bit Transformer architecture for large language models.

The experimental results demonstrate that BitNet achieves competitive performance in terms of both perplexity and downstream task performance, while significantly reducing memory footprint and energy consumption compared to the baselines.

스케일링 법칙도 따름. 꽤 정확함. 모델을 효과적으로 확장할 수 있음

[논문 리뷰] Relevance Isn't All You Need: Scaling RAG Systems With Inference-Time Compute Via Multi-Criteria Reranking (2025), RAG(8)

yoooon1009 — Wed, 21 May 2025 14:34:48 +0900

프롬프트 엔지니어링 논문임..

Background

소속: Microsoft, Scale AI

게재: 아카이브

Abstract & 1 INTRODUCTIONㄱ

✔️ 기존의 RAG

추가적인 명시적 기준 없이 문맥 관련성을 극대화하려는 검색 시스템은 정보 병목 현상이 발생해 답변 품질이 저하됨
통합 메트릭을 고려할 때 추론 시간 컴퓨팅 사용량에 따라 제대로 확장되지 않음

✔️ RErank BEyond reLevance (REBEL)

Chain-of-Thought prompting (and optionally Multi-Turn dialogue)를 사용하여 multi-criteria optimization를 주입함으로써 RAG 시스템이 추론 시간 컴퓨팅에 따라 확장할 수 있도록 함
새로운 성능/속도 트레이드오프 곡선을 가능하게 하여 RAG 시스템이 검색된 컨텍스트의 관련성을 높이고 추론 시간이 증가함에 따라 우수한 답변 품질을 모두 달성

✔️ Contributions

Single-Criterion Relevance/Answer Quality Tradeoff Demonstration: 연관성만을 최적화하는 방법이 검색 정확도를 높이는 동시에 답변 품질을 크게 떨어뜨린다는 사실을 입증
One-Turn Multi-Criteria Reranking: one-turn multi-criteria LLM reranking prompt가 관련성/품질 트레이드오프를 극복하는 것을 보여줌. 검색된 문맥의 관련성과 답변의 유사성을 모두 향상
Two-Turn Multi-Criteria Strategy: 쿼리 종속 기준을 동적으로 추론하여 추론 속도를 높이는 대신 최고의 답변 품질과 문맥 관련성을 제공
New Inference-Time-Compute/Quality Tradeoff Curve In RAG Systems: 우리가 제안하는 방법은 새로운 트레이드오프 곡선을 가능하게 하며, 이제 추론 속도와 문맥 관련성 증가 및 답변 품질 향상으로 측정되는 전반적인 시스템 품질 사이에 균형이 존재

2 OUR METHOD

REBEL은 재랭크 프로세스에 연쇄 사고 프롬프트를 통합하는 두 가지 보완적인 접근 방식을 도입

one-turn multi-criteria reranking prompt: 기존의 관련성/품질 트레이드오프를 무시하기 위해 관련성(relevance) 외에 품질까지 측정
dynamic two-turn strategy: 쿼리별 기준을 추론하여 개별 쿼리에 맞게 조정

2.1 ONE-TURN MULTI-CRITERIA STRATEGY

단순한 주제 관련성 외에도 LLM 프롬프트로 사전 정의된 2차 기준에 따라 문서를 평가하고 순위를 다시 매김

1. Secondary Criteria Evaluation

Depth of Content: 주제에 대한 철저함과 포괄적인 범위를 측정합니다.
- A "5" is exceptionally in-depth with multiple facets addressed; a "0" is very superficial.
Diversity of Perspectives: 다양한 관점 또는 각도의 표현을 평가합니다.
- A "5" means it engages with a variety of perspectives or sources; a "0" means it is entirely one-sided.
Clarity and Specificity: 문서가 얼마나 명확하고 정확하게 정보를 제시하고 질의에 대응하는지 평가합니다.
- A "5" means it is highly specific and clear, while a "0" means it is vague or overly general.
Authoritativeness: 출처의 신뢰성과 전문성을 측정합니다.
- A "5" might be an extensively cited academic work or an official standard; a "0" would be an unknown or dubious source.
Recency: 시간적 관련성을 평가합니다.
- A "5" means it is very current and up-to-date; a "0" means it is outdated or does not reference any time-sensitive information.

2. Comprehensive Scoring Rubric

Relevance scores(0~10점)는 주제 정렬을 평가합니다.
Secondary criteria scores(0~5점)는 각 추가 속성을 평가합니다.

3. Weighted Composite Score

$$ \text{Final Score} = \text{Relevance} + \sum_{i} w_i \times (\text{Property}_i) $$

$w_i$: the weight for each secondary criterion

4. Chain-of-Thought Process

(a) 문서 콘텐츠를 철저히 분석하기

(b) 각 보조 속성에 대해 독립적으로 점수 부여하기

(d) 가중된 종합 점수를 기준으로 문서 정렬 및 필터링하기

5. Strict Output Format

이 프롬프트는 기존 LLM 리랭커 형식과 일치하는 일관된 리랭크 출력 구조를 적용합니다.

2.2 TWO-TURN MULTI-CRITERIA STRATEGY

각 쿼리에 대한 재순위 기준을 조정

1. Query-Dependent Reranking Prompt Generation

시스템은 먼저 chain-of-thought(연쇄 사고)를 통해 사용자 쿼리와 관련된 보조 기준을 추론하고 순위 재지정 프롬프트를 개발

(a) 쿼리 의도 및 요구 사항 분석
(b) 가장 적절한 보조 기준을 식별하고 그 정의를 자세히 명시합니다.
(c) 각 보조 기준에 대한 적절한 가중치 체계 지정하기
(d) 가중치가 적용된 종합 점수 정의하기
(e) 재랭킹 LLM에 가중치가 부여된 종합 점수를 기준으로 문서를 정렬 및 필터링하도록 지시하고, 출력은 기존의 LLM 재랭킹 출력 형식을 준수하도록 합니다.

2. Reranking

재랭크 LLM은 문서 세트와 함께 생성된 쿼리 종속 재랭크 프롬프트를 입력으로 받아 이러한 문서에 대한 순서를 생성합니다.

[논문 리뷰] MiniRAG: Towards Extremely Simple Retrieval-Augmented Generation (2025), RAG(7)

yoooon1009 — Mon, 19 May 2025 17:27:34 +0900

Backgorund

소속: University of Hong Kong

게재: 아카이브

ABSTRACT & 1 INTRODUCTION

✔️ 현재의 Small Language Models (SLMs)

현재의 RAG 아키텍처들은 LLM에 최적화되어 있음
SLM이 처리하기에는 복잡한 쿼리 해석, 추론, 의미 매칭, 정보 종합 등의 기능을 제대로 수행하지 못함
정확도가 떨어지는 성능 저하 발생
LLM에서 SLM으로 전환할 때 특정 고급 RAG 프레임워크가 작동하지 않음

✔️ SLM에 대한 세 가지 근본적인 관찰(인사이트)

정교한 의미 이해에는 어려움을 겪지만 패턴 매칭과 지역화된 텍스트 처리에는 탁월함
명시적인 구조 정보는 제한된 의미 기능을 효과적으로 보완할 수 있음
복잡한 RAG 연산을 더 간단하고 잘 정의된 단계로 분해하면 고급 추론 기능 없이도 시스템의 견고성을 유지할 수 있음

=> 의미론적 복잡성보다 구조적 지식 표현을 우선시함

✔️Mini RAG

SLM에 대한 인사이트를 활용하고, 극도의 단순성과 계신 효율성에 중점을 두고 정보 검색 및 생성 파이프라인을 재구성

a semanticaware heterogeneous graph indexing mechanism: 텍스트 청크와 명명된 엔티티를 체계적으로 결합해 복잡한 의미 이해에 대한 의존도를 줄임
a lightweight topology-enhanced retrieval approach: 효율적인 지식 검색을 위해 그래프 구조와 휴리스틱 검색 패턴을 활용

Heterogeneous Graph란, 서로 다른 종류의 노드와 엣지가 존재하는 복잡한 구조의 그래프입니다.

✔️ 성능

기존의 경량 RAG 시스템과 비교했을 때 MiniRAG는 25%의 저장 공간만 사용하면서 1.3~2.5배 높은 효율성을 달성
LLM에서 SLM으로 전환할 때에도 다양한 시나리오에서 정확도 감소가 0.8%에서 20%에 불과할 정도로 뛰어난 견고성을 유지
에지 디바이스나 개인정보 보호에 민감한 애플리케이션과 같이 리소스가 제한된 환경에 적합한 lightweight footprint 유지

footprint: 일반적으로 자원의 소비량이나 영향 범위를 의미하는 용어

lightweight footprint: 자원 사용을 최소화하여, 제한된 환경에서도 효율적으로 동작할 수 있도록 설계된 시스템

2 THE MINIRAG FRAMEWORK

Mini RAG는 두 요소로 구성됨

heterogeneous graph indexing, which creates a semantic-aware knowledge representation
lightweight graph-based knowledge retrieval, which enables efficient and accurate information retrieval

2.1 HETEROGENEOUS GRAPH INDEXING WITH SMALL LANGUAGE MODELS

✔️ Small Language Models (SLMs)의 제약

원시 텍스트 코퍼스에서 복잡한 개체 관계와 미묘한 문맥적 연결을 추출하고 이해하는 능력의 저하
대량의 텍스트를 효과적으로 요약하는 능력 저하
노이즈(관련 없는 콘텐츠를 포함하는 검색된 정보 등)를 처리하는 능력의 저하

✔️ Mini RAG의 목표

이해와 요약 능력이 떨어지더라도 데이터 내의 주요 관계와 문맥적 연결을 추출
검색된 콘텐츠를 질문과 가장 관련 있는 핵심 요소들로 압축 => 혼란을 줄 수 있는 정보나 오해의 소지가 있는 정보를 최소화

✔️ Semantic-Aware Heterogeneous Graph

원시 텍스트에서 추출한 텍스트 청크와 명명된 엔티티를 모두 체계적으로 통합하여 정확한 정보 검색을 용이하게 하는 풍부한 의미 네트워크(semantic network)를 생성

노드: 제한된 요약 능력인해 발생할 수 있는 정보 왜곡을 완화할 수 있음
- Text Chunk Node $\mathcal{V}_c$: 문맥을 유지하는 원본 텍스트 세그먼트
- Entity Node $\mathcal{V}_e$: 텍스트 청크에서 추출된 주요 의미적 요소들. 이벤트, 지역, 시간, 의미를 이해시켜주는 특정 분야에 특화된 개념들("고혈압", "주식", "프로토콜" 등)
엣지
- Entity-Entity Connections $\mathcal{E}_{\alpha}$: sematic relationships, hierarchical structures, temporal or spatial dependencies 등 엔티티와 엔티티 사이의 관계들
- Entity-Chunk Connections $\mathcal{E}_{\beta}$: 엔티티를 추출한 원본 텍스트와 엔티티를 연결하기 위한 엣지. 문맥적 관련성과 의미적 일관성 유지.
- text-attributed connection $(e_{\beta}, d_{e_{\beta}}) \in \mathcal{E}_{\beta}$: entity-chunk connection $e_{\beta}$에 대한 보충 정보로 언어 모델로 생성한 entity에 대한 설명. 연결된 노드 간에 명시적인 관계 컨텍스트를 제공하여 엣지를 향상함

$$ \mathcal{D} = \mathcal{G} = (\{ \mathcal{V}_c, \mathcal{V}_e \}, \{ \mathcal{E}_{\alpha}, (e_{\beta}, d_{e_{\beta}}) \in \mathcal{E}_{\beta} \})$$

2.2 LIGHTWEIGHT GRAPH-BASED KNOWLEDGE RETRIEVAL

LLM에서 SLM으로 전환하기 위해

생성할 입력 콘텐츠의 복잡성을 줄여 의미 정보를 명확하고 간결하게 구성
입력 콘텐츠 길이를 단축
그래프 기반 검색 설계를 채택함으로써 대규모 언어 모델에 대한 정확한 의미론적 매칭에 대한 부담을 덜어주는 것이 목표

2.2.1 QUERY SEMANTIC MAPPING

최적의 답변 생성을 위한 그래프 경로를 찾기 위해 정의된 노드들

*쿼리로부터..

쿼리 엔티티 $\mathcal{V}_q$: SLM으로 쿼리로부터 생성
쿼리 답변 유형: 이벤트, 위치, 사람 등 쿼리 답변의 잠재적 유형. SLM을 활용해 쿼리로부터 생성

*쿼리를 기반으로 지식 그래프로부터..

Initial Entity Identification $ \hat{\mathcal{V}}_s$: 쿼리 엔티티와 높은 유사도를 갖는 엔티티 노드들. 경로 탐색을 위한 시작점.
Answer-Aware Entity Selection $ \hat{\mathcal{V}}_a $: 쿼리 답변 유형과 관련되어 검색된 답변 후보 노드들(candidate answer nodes) 선택
Context-Rich Path Formation $ \hat{\mathcal{V}}_c $: 쿼리와 관련되어 검색된 텍스트 청크 노드들

2.2.2 TOPOLOGY-ENHANCED GRAPH RETRIEVAL

0. 최적의 답변 생성을 위한 인덱싱한 지식 그래프 내에서 최적의 추론 경로를 정의하기

1. 시작 후보 노드 와 답변 후보 노드를 연결하는 최단 경로의 엣지를 파악. 그 다음 각 엣지에 대해서 관련성 점수 계산 key relationships 구성

2. 시작 후보 노드에서 시작해 길이 n인 모든 비순환 경로들 파악. 그 다음 1에서 계산한 엣지의 관련성 점수, 비순환 경로 내에 존재하는 노드가 답변 후보 노드에 포함되는지 여부, 쿼리 엔티티와 시작 후보 노드의 유사성을 고려해 해당 경로의 점수를 계산하여 추론 경로의 최종 집합을 구성

3. 2번에서 구성된 추론 경로에 존재하는 엔티티와 청크 노드 수집. 수집된 노드가 쿼리와 관련된 청크 노드이면 후보에 추가. 후보 청크 노드와 입력 쿼리와의 유사성을 계산하고, 순위를 매겨 추론을 돕기 위한 검색된 텍스트 청크 노드 집합으로 선택.

4. 시작 후보 노드들 + 1에서 찾은 중요한 엣지들 + 3에서 찾은 정답 생성에 필요한 텍스트 청크 노드 집합을 기반으로 최종 답변 생성

Key Relationship Identification

1. 시작 후보 노드 $\hat{v}_s \in \hat{\mathcal{V}}_s$와 답변 후보 노드 $\hat{v}_a \in \hat{\mathcal{V}}_a$ 를 연결하는 최단 경로의 엣지 $e \in \mathcal{E}_{\alpha}$를 파악. 그 다음 각 엣지에 대해서 관련성 점수 $w_e(e)$ 계산하여, 상위 점수를 가진 key relationships 구성 $\hat{\mathcal{E}}_{\alpha}$

$$ w_e(e)=\sum_{ \hat{v}_s \in \hat{\mathcal{V}}_s} \operatorname{count} (\hat{v}_s, \hat{\mathcal{G}}_{e, k}) + \sum_{ \hat{v}_a \in \hat{\mathcal{V}}_a} \operatorname{count} ( \hat{v}_a, \hat{\mathcal{G}}_{e, k} )$$

$\hat{\mathcal{G}}_{e, k}$: 중심 엣지 $e$를 기준으로 $k$단계 이내 도달 가능한 모든 노드와 엣지를 포함하는 그래프

Query-Guided Path Discovery

2. 시작 후보 노드 $\hat{v}_s \in \hat{\mathcal{V}}_s$에서 시작해 길이 n인 모든 비순환 경로 집합 $\mathcal{P}_{\hat{v}_s}$ 파악. 그 다음 1에서 계산한 엣지의 관련성 점수 $w_e(e)$, 비순환 경로 내에 존재하는 노드가 답변 후보 노드에 포함되는지 여부$\operatorname{count}(v, p)$, 쿼리 엔티티와 시작 후보 노드의 유사성$w_v(\hat{v}_s \mid v_q)$을 고려해 해당 경로의 점수를 계산하여 추론 경로의 최종 집합 $\mathcal{P}_q$을 구성

$$ w_p(p \mid v_q) = w_v(\hat{v}_s \mid v_q) \cdot ( 1+ \sum_{v \in (p \land \hat{\mathcal{V}}_a) } \operatorname{count}(v, p) + \sum_{ e \in (p \land \hat{\mathcal{E}}_{\alpha}) } w_e(e))$$

$ w_v(\hat{v}_s \mid v_q) $: 임베딩 벡터를 기반으로 코사인 유사도를 계산하여 구함
$ \operatorname{count}(v, p) $: 경로 $p$에 노드$v$가 있으면 1, 아니면 0.

Retrieval of Query-Relevant Text Chunks

2번에서 구성된 추론 경로 $\mathcal{P}_q$에 존재하는 엔티티와 청크 노드 $\mathcal{V}_c^q$ 수집.
수집된 노드가 쿼리와 관련된 청크 노드이면 후보에 추가$ \hat{\mathcal{V}}_c \land \mathcal{V}_c^q $.
후보 청크 노드와 입력 쿼리와의 유사성을 계산하고,
순위를 매겨 추론을 돕기 위한 검색된 텍스트 청크 노드 집합 $\hat{\mathcal{V}}_c^q$으로 선택.

Integration for Augmented Generation

시작 후보 노드들 $ \hat{\mathcal{V}}_a$과
1에서 찾은 중요한 엣지들 $\hat{\mathcal{E}}_{\alpha}$과
3에서 찾은 정답 생성에 필요한 텍스트 청크 노드 집합$ \hat{\mathcal{V}}_c^q $을

기반으로 최종 답변 생성

3 EVALUATION

이번 평가는 세 가지 주요 연구 질문(RQ)를 다룬다:

RQ1: Comparative Performance. How does MiniRAG perform against state-of-the-art alternatives in terms of retrieval accuracy and efficiency?
RQ2: Component Analysis. What is the contribution of key components to MiniRAG’s overall effectiveness?
RQ3: Case Studies. How effectively does MiniRAG handle complex, multi-step reasoning tasks with small language models, as demonstrated through practical case studies?

3.2 PERFORMANCE ANALYSIS (RQ1)

Performance Degradation in Existing RAG Systems with SLMs

LightRAG’s accuracy plummeting from 56.90% to 35.42% during LLM to SLM transition
GraphRAG experiences complete system failure
기존 시스템은 정교한 언어 기능에 과도하게 의존해 단순한 모델을 사용할 때 운영 장애로 이어짐. 리소스 제약 환경에서 제약사항이 될 수 있음.

MiniRAG’s Unique Advantages

i) Semantic-Aware Graph Indexing for Reduced Model Dependency

MiniRAG의 dual-node heterogeneous graph structure는 강력한 텍스트 생성 기능에 의존하는 대신 기본적인 엔티티 추출과 이기종 관계 매핑에 중점을 둡니다. 이 설계는 원시 문맥 정보를 보존하기 위한 텍스트 청크 노드와 주요 의미 요소를 캡처하기 위한 엔티티 노드를 결합하여 제한된 언어 모델 기능으로도 효과적인 강력한 지식 표현을 생성합니다.

ii) Topology-Enhanced Retrieval for Balanced Performance.

쿼리 중심의 경로 검색으로 시작하여 임베딩 기반 매칭과 구조적 그래프 패턴 및 엔티티별 관련성 점수를 통합합니다. 토폴로지 인식 검색과 최적화된 효율성을 통해 고급 언어 이해 없이도 강력한 검색 품질을 달성할 수 있어 온디바이스 배포에 특히 효과적입니다.

Storage Efficiency While Maintaining Performance

MiniRAG는 높은 정확도 수준을 유지하면서 탁월한 스토리지 효율성을 보여줍니다. 경험적 평가에 따르면 MiniRAG는 gpt-4o-mini가 포함된 LightRAG와 같은 기준선에 비해 25%의 스토리지 공간만 필요로 하면서도 경쟁력 있는 정확도를 달성하는 것으로 나타났습니다.

3.3 COMPONENT-WISE ANALYSIS OF MINIRAG (RQ2)

Validating SLM Limitations: 간소화된 색인 방법을 텍스트 의미 중심 색인 기법(-I)으로 대체했을 때 상당한 성능 저하를 초래
Effectiveness of Query-guided Reasoning Path Discovery: 에지 정보 $\mathcal{R}_{chunk}$ 또는 청크 노드$\mathcal{R}_{edge}$의 제거가 시스템 성능에 큰 영향을 미친다는 사실을 입증

$- \mathcal{I}$: heterogeneous indexing graph에서 의미 기반의 인덱싱 그래프로의 변경
$- \mathcal{R}_i$: 특정 모듈 $i$을 제거함

3.4 CASE STUDY ANALYSIS (RQ3)

한계점에 대해 논의할 줄 알았는데 비교 성능 자랑만 함

5 CONCLUSION

MiniRAG

Through its innovative heterogeneous graph indexing and lightweight heuristic retrieval mechanisms,

MiniRAG effectively integrates the advantages of both text-based and graph-based RAG approaches while significantly reducing the demands on language model capabilities.