MongoDB: 신뢰받는 기업용 AI의 열쇠는 거대 모델이 아닌 ‘더 나은 데이터 검색’

더 큰 모델보다 ‘더 나은 데이터 검색’: MongoDB가 본 기업 AI의 관건

에이전트형 시스템과 엔터프라이즈 검색은 빠르고 정확한 데이터 검색 역량에 좌우된다. MongoDB는 모델 자체의 크기보다 검색·임베딩 품질이 신뢰할 수 있는 기업용 AI를 좌우한다며, 실서비스 단계에서 무너지는 검색 품질을 보완할 새 임베딩·재랭킹 제품군을 내놓았다.

왜 더 큰 모델이 답이 아닌가

에이전트와 RAG 파이프라인이 운영 환경으로 이동하면 데이터 검색 품질이 떨어지면서 정확도, 비용, 사용자 신뢰를 동시에 훼손하는 경우가 잦다. MongoDB는 “임베딩 모델은 눈에 잘 띄지 않지만 AI 경험을 좌우하는 결정”이라며, 제대로 고르면 애플리케이션이 사용자와 데이터를 ‘이해하는 듯’ 작동한다고 설명한다.

MongoDB의 신규 라인업: Voyage 4 임베딩·재랭킹

voyage-4 embedding/large/lite/nano

Voyage 4는 네 가지 모드로 제공된다. voyage-4 embedding은 범용, Voyage-4-large는 플래그십, Voyage-4-lite는 저지연·저비용 작업, voyage-4-nano는 로컬 개발·테스트나 온디바이스 데이터 검색에 맞춰 설계됐다. 특히 voyage-4-nano는 MongoDB 최초의 오픈 웨이트 모델이다.

벤치마크와 제공 형태

모든 모델은 API와 Atlas 플랫폼에서 이용 가능하다. 회사는 RTEB 벤치마크에서 구글과 코히어의 유사 모델을 능가했다고 밝혔고, Hugging Face의 RTEB 순위에서도 Voyage 4가 최상위 임베딩으로 평가됐다. 이러한 성능 개선은 실제 운영 환경에서 데이터 검색 실패율을 낮추는 데 초점을 맞춘 것이다.

멀티모달 임베딩: voyage-multimodal-3.5

새 멀티모달 임베딩 모델인 voyage-multimodal-3.5는 텍스트, 이미지, 동영상을 포함한 문서를 처리한다. 표·그래픽·도표·슬라이드 등 엔터프라이즈 문서의 구성 요소를 벡터화하고 의미를 추출해 데이터 검색의 문맥 타당성을 높이도록 설계됐다.

경쟁 구도와 운영 현실

에이전트형 AI의 해당 계층을 겨냥해 구글은 Gemini Embedding으로 리더보드를 선점했고, 코히어는 200페이지가 넘는 문서를 처리하는 Embed 4 멀티모달 모델을 선보였다. 미스트랄은 Codestral Embedding이 코히어·구글은 물론 MongoDB의 Voyage Code 3보다 낫다고 주장한다. 그러나 MongoDB는 벤치마크 우위만으로는 운영 환경의 복잡성—특히 컨텍스트 분절과 검색 집약적 워크로드—을 해결할 수 없다고 반박한다.

MongoDB의 해법: 통합된 데이터 계층 중심의 스택

MongoDB에 따르면 많은 기업이 데이터베이스와 검색/재랭킹 모델을 여러 솔루션으로 이어 붙이며 단절과 오버헤드를 겪고 있다. 이에 Atlas 단일 데이터 플랫폼에서 임베딩, 재랭킹, 데이터 계층을 긴밀히 통합해 신뢰성·지연 시간·비용을 동시에 관리하겠다는 전략을 제시한다. 핵심은 데이터 검색을 ‘최고 구성요소의 나열’이 아니라 유기적으로 결합된 시스템으로 다루는 것이다.

실제 적용 예시

에이전트 구축 전 데이터 검색 체크리스트

업무 시나리오별 검색 요구 정의(정확도·재현율·지연 허용치), 도메인 데이터로 임베딩 후보(voyage-4 계열) A/B 평가, 컨텍스트 윈도 분절 전략과 재랭킹 기준 수립, 운영 지표(정확도·비용·지연) 관측 설계, 온디바이스/로컬이 필요한 경우 voyage-4-nano 고려, 규정·보안 요구 사항에 맞춘 Atlas 접근 제어 구성.

RAG 파이프라인 구축 단계별 안내

데이터 수집·정제→Atlas에 벡터 인덱싱(voyage-4 embedding)→쿼리 시 1차 유사도 검색→재랭킹으로 문맥 적합성 향상→필요 시 멀티모달(voyage-multimodal-3.5) 적용→도메인 검증 세트로 품질 측정→지연·비용 목표에 따라 large/lite/nano 조합 튜닝→모니터링/피드백 루프 운영으로 지속 개선.