Uzalishaji ulioimarishwa na utafutaji (RAG)
Ufafanuzi wa haraka
Uzalishaji ulioimarishwa na utafutaji (RAG) ni mbinu ambayo mfumo wa AI kwanza hupata vipande vinavyohusiana kutoka kwa chanzo kinachotegemewa, kama vile msingi wa maarifa au katalogi ya bidhaa, kisha huwapa mfano wa lugha ili jibu lake liwe kwenye vipande hivyo badala ya kumbukumbu yake pekee.
Katika ukurasa huu
Kwa nini RAG ipo
Mfano wa lugha unajifunza kutoka kwa picha thabiti ya maandiko. Haijui sera yako ya kurudi, bei zako za sasa au bidhaa uliyoongeza asubuhi hii, na inapoulizwa hata hivyo inaweza kutoa jibu linalowezekana lakini si sahihi. Kufundisha mfano kila wakati maudhui yako yanapobadilika itakuwa polepole na ya gharama kubwa.
RAG inatatua hili kwa kuweka maarifa nje ya mfano. Maudhui yako yanaendelea kuwa katika duka linaloweza kutafutwa ambalo unaweza kusasisha wakati wowote; mfano unahitaji tu kusoma vipande vinavyohusiana na kuunda jibu. Mbinu hii ilielezewa na Lewis na wenzake katika Utafiti wa AI wa Facebook mwaka 2020.
Jinsi inavyofanya kazi, hatua kwa hatua
Kwanza, maudhui yanaandaliwa: hati, kurasa za wavuti au rekodi za bidhaa zinagawanywa katika vipande, na kila kipande kinageuzwa kuwa embedding - orodha ya nambari inayoshika maana yake. Embeddings hizi zinawekwa katika orodha ya vector, mara nyingi pamoja na orodha ya maneno ya kawaida.
Wakati swali linapofika, linageuzwa kwa njia ile ile na vipande vya karibu vinapatikana, wakati mwingine vinachanganywa na utafutaji wa maneno au filters kama vile lugha au aina. Vipande bora vinaingizwa kwenye ombi la mfano na maagizo ya kujibu kutoka kwao. Mifumo mingi pia hurudisha vyanzo, ili msomaji aweze kuangalia wapi jibu lilitoka.
Mipaka ya kujua
RAG ni nzuri tu kama kile inachopata. Ikiwa kipande sahihi hakipo, kimepitwa na wakati au kimegawanywa vibaya, mfano unajibu kutoka kwa kipande kisichofaa au kurudi kwenye kumbukumbu yake. Maswali yaliyo na muundo - "jaketi ya bei nafuu iliyo kwenye hisa katika saizi M" - hayahudumiwi vizuri na utafutaji wa kufanana pekee na yanahitaji filters kwenye data halisi. Na mfano bado unaweza kusoma vibaya kipande, hivyo majibu juu ya mada nyeti yanapaswa kuangaliwa au kupandishwa.
RAG katika huduma kwa wateja
Kwa msaidizi wa msaada au biashara mtandaoni, RAG ndiyo inayoifanya wakala kujibu kutoka kwenye FAQ yako, sera zako na katalogi yako kwa lugha ya mteja, na kuelekeza kwenye ukurasa ulioitumia. Katika AI SmartTalk, maarifa ambayo msaidizi anajibu kutoka - kurasa za wavuti, hati, entries za FAQ na bidhaa zilizounganishwa - yanaorodheshwa kwa njia hii, na maswali ya bidhaa pia yanatumia filters kwenye bei, chaguzi na hisa.
Maswali yanayoulizwa mara kwa mara
Je, RAG ni sawa na fine-tuning?
Hapana. Fine-tuning hubadilisha uzito wa mfano kwa kuufundisha kwa mifano; RAG inachia mfano kuwa bila mabadiliko na inampa taarifa sahihi wakati wa swali. RAG mara nyingi ni chaguo bora kwa ukweli ambao hubadilika, kama bei, hisa au sera.
Je, RAG inazuia hallucinations za AI?
Inapunguza sana, kwa sababu mfano unajibu kutoka kwa vipande halisi, lakini haiondoi. Utafutaji mzuri, maagizo ya kukubali wakati vyanzo havina jibu, na kuhamasisha mtu kwa kesi nyeti bado zinahitajika.
Nini maana ya hifadhidata ya vector?
Duka ambalo linaorodhesha embeddings ili vipande vya karibu katika maana na swali viweze kupatikana haraka. Ni tabaka la kawaida la utafutaji wa mfumo wa RAG, mara nyingi linapangwa na utafutaji wa maneno.
Je, RAG inaweza kufanya kazi na katalogi ya bidhaa?
Ndio, lakini bidhaa zinahitaji zaidi ya utafutaji wa kufanana: msaidizi anapaswa kuchuja kwenye maeneo yaliyo na muundo kama bei, saizi au hisa, kisha kutumia RAG kwa maelezo na mwongozo wa ununuzi.