การสร้างที่เพิ่มจากการดึงข้อมูล (RAG)
คำจำกัดความอย่างรวดเร็ว
การสร้างที่เพิ่มจากการดึงข้อมูล (RAG) เป็นเทคนิคที่ระบบ AI จะดึงข้อความที่เกี่ยวข้องจากแหล่งข้อมูลที่เชื่อถือได้ เช่น ฐานความรู้หรือแคตตาล็อกผลิตภัณฑ์ จากนั้นจะส่งให้กับโมเดลภาษาเพื่อให้คำตอบอิงจากข้อความเหล่านั้นแทนที่จะเป็นความจำของมันเพียงอย่างเดียว
ในหน้านี้
ทำไม RAG ถึงมีอยู่
โมเดลภาษาจะเรียนรู้จากภาพถ่ายของข้อความที่ตายตัว มันไม่รู้เกี่ยวกับนโยบายการคืนสินค้าของคุณ ราคาปัจจุบันของคุณ หรือผลิตภัณฑ์ที่คุณเพิ่มในเช้านี้ และเมื่อถูกถามมันอาจให้คำตอบที่น่าเชื่อถือแต่ผิดได้ การฝึกโมเดลใหม่ทุกครั้งที่เนื้อหาของคุณเปลี่ยนแปลงจะช้าและมีค่าใช้จ่ายสูง
RAG แก้ปัญหานี้โดยการเก็บความรู้ไว้ภายนอกโมเดล เนื้อหาของคุณจะอยู่ในที่เก็บที่ค้นหาได้ซึ่งคุณสามารถอัปเดตได้ตลอดเวลา; โมเดลจะถูกขอให้อ่านข้อความที่เกี่ยวข้องและสร้างคำตอบ วิธีการนี้ถูกอธิบายโดย Lewis และเพื่อนร่วมงานที่ Facebook AI Research ในปี 2020
วิธีการทำงาน ขั้นตอนโดยขั้นตอน
ก่อนอื่น เนื้อหาจะถูกเตรียม: เอกสาร หน้าเว็บ หรือบันทึกผลิตภัณฑ์จะถูกแบ่งออกเป็นข้อความ และแต่ละข้อความจะถูกเปลี่ยนเป็นการฝัง — รายการของตัวเลขที่จับความหมายของมัน การฝังเหล่านี้จะถูกเก็บไว้ในดัชนีเวกเตอร์ มักจะอยู่เคียงข้างกับดัชนีคำสำคัญแบบคลาสสิก
เมื่อมีคำถามเข้ามา มันจะถูกแปลงในลักษณะเดียวกันและข้อความที่ใกล้เคียงที่สุดจะถูกดึงออกมา บางครั้งจะรวมกับการค้นหาคำสำคัญหรือฟิลเตอร์ เช่น ภาษา หรือหมวดหมู่ ข้อความที่ดีที่สุดจะถูกแทรกเข้าไปในคำสั่งของโมเดลพร้อมคำสั่งให้ตอบจากข้อความเหล่านั้น หลายระบบยังคืนแหล่งข้อมูลด้วย เพื่อให้ผู้อ่านสามารถตรวจสอบได้ว่าคำตอบมาจากที่ไหน
ข้อจำกัดที่ควรทราบ
RAG ดีเท่าที่มันดึงข้อมูล หากข้อความที่ถูกต้องขาดหายไป ล้าสมัย หรือถูกแบ่งไม่ดี โมเดลจะตอบจากข้อความที่ผิดหรือกลับไปที่ความจำของมัน คำถามที่มีโครงสร้าง — "แจ็คเก็ตที่ถูกที่สุดในสต็อกขนาด M" — จะได้รับการบริการที่ไม่ดีจากการค้นหาความคล้ายคลึงเพียงอย่างเดียวและต้องการฟิลเตอร์จากข้อมูลจริง และโมเดลยังสามารถอ่านข้อความผิด ดังนั้นคำตอบในหัวข้อที่ละเอียดอ่อนควรได้รับการตรวจสอบหรือยกระดับ
นั่นคือเหตุผลที่ระบบการผลิตรวม RAG กับการค้นหาแบบมีโครงสร้าง กฎความสดใหม่ที่ซิงค์เนื้อหาเมื่อมีการเปลี่ยนแปลง และคำสั่งที่ชัดเจนเพื่อบอกเมื่อแหล่งข้อมูลไม่มีคำตอบ
RAG ในการบริการลูกค้า
สำหรับผู้ช่วยด้านการสนับสนุนหรืออีคอมเมิร์ซ RAG คือสิ่งที่ช่วยให้ตัวแทนตอบจาก FAQ ของคุณ นโยบายของคุณ และแคตตาล็อกในภาษาของลูกค้า และชี้ไปที่หน้าที่ใช้ ใน AI SmartTalk ความรู้ที่ผู้ช่วยตอบจาก — หน้าเว็บ เอกสาร รายการ FAQ และผลิตภัณฑ์ที่ซิงค์ — จะถูกจัดทำดัชนีในลักษณะนี้ และคำถามเกี่ยวกับผลิตภัณฑ์ยังใช้ฟิลเตอร์เกี่ยวกับราคา ตัวเลือก และสต็อก
คำถามที่พบบ่อย
RAG เหมือนกับการปรับแต่งหรือไม่?
ไม่ การปรับแต่งเปลี่ยนแปลงน้ำหนักของโมเดลโดยการฝึกมันจากตัวอย่าง; RAG จะไม่เปลี่ยนแปลงโมเดลและมอบข้อมูลที่ถูกต้องในเวลาถาม RAG มักจะเป็นทางเลือกที่ดีกว่าสำหรับข้อเท็จจริงที่เปลี่ยนแปลง เช่น ราคา สต็อก หรือ นโยบาย
RAG หยุดการหลอกหลอนของ AI หรือไม่?
มันลดลงมาก เพราะโมเดลตอบจากข้อความจริง แต่ไม่ได้กำจัดมันออกไป การดึงข้อมูลที่ดี คำสั่งให้ยอมรับเมื่อแหล่งข้อมูลเงียบ และการส่งต่อให้กับบุคคลสำหรับกรณีที่ละเอียดอ่อนยังคงจำเป็น
ฐานข้อมูลเวกเตอร์คืออะไร?
ที่เก็บที่จัดทำดัชนีการฝังเพื่อให้สามารถค้นหาข้อความที่ใกล้เคียงที่สุดในความหมายกับคำถามได้อย่างรวดเร็ว มันเป็นชั้นการดึงข้อมูลที่ปกติของระบบ RAG มักจะจับคู่กับการค้นหาคำสำคัญ
RAG สามารถทำงานกับแคตตาล็อกผลิตภัณฑ์ได้หรือไม่?
ใช่ แต่ผลิตภัณฑ์ต้องการมากกว่าการค้นหาความคล้ายคลึง: ผู้ช่วยควรกรองตามฟิลด์ที่มีโครงสร้าง เช่น ราคา ขนาด หรือสต็อก จากนั้นใช้ RAG สำหรับคำอธิบายและคู่มือการซื้อ