Retrieval-augmented generation อธิบาย
RAG ช่วยให้แอปพลิเคชัน AI ตอบจากเอกสารที่เลือกไว้ แทนที่จะพึ่งพา เฉพาะรูปแบบที่เรียนรู้ระหว่างการฝึกโมเดล
Retrieval-augmented generation หรือ RAG ค้นหาแหล่งความรู้ภายนอกเพื่อหาเนื้อหาที่เกี่ยวข้อง และส่งเนื้อหานั้นให้โมเดล AI ก่อนที่จะสร้างคำตอบ
การค้นหาเกิดขึ้นก่อนการสร้าง
กระบวนการเริ่มต้นด้วยคำถาม ตัวค้นหาจะค้นหาฐานความรู้และ ส่งคืนเนื้อหาที่เกี่ยวข้องกับคำถามนั้น แอปพลิเคชันจะเพิ่มเนื้อหานั้น ลงใน prompt ของโมเดล
จากนั้นโมเดลจะเขียนคำตอบโดยใช้คำถามและบริบทที่ค้นหามา บาง แอปพลิเคชันยังแสดงการอ้างอิงเพื่อให้บุคคลสามารถตรวจสอบแหล่งที่มาได้
แหล่งที่ดีกว่าไม่ได้กำจัดข้อผิดพลาดทั้งหมด
RAG สามารถนำนโยบายปัจจุบัน คู่มือภายใน หรือบันทึกเฉพาะทางมาใช้ใน คำตอบโดยไม่ต้องฝึกโมเดลใหม่ คุณภาพยังคงขึ้นอยู่กับสิ่งที่ฐานความรู้มี และสิ่งที่ตัวค้นหาพบ
โมเดลอาจอ่านเนื้อหาที่มีประโยชน์ผิด หรือเขียนเกินกว่านั้น คำตอบสำคัญ ยังคงต้องการการตรวจสอบโดยตรงกับแหล่งที่มาพื้นฐาน
คำศัพท์ RAG
- Knowledge base
- เอกสารหรือบันทึกที่ระบบสามารถค้นหาข้อมูลที่เกี่ยวข้องได้
- Retriever
- ส่วนของระบบที่ค้นหาเนื้อหาที่เกี่ยวข้องกับคำขอ
- Grounding
- การให้เนื้อหาต้นฉบับแก่โมเดลเพื่อสนับสนุนคำตอบที่ถูกขอให้สร้าง
สิ่งที่กำหนดคุณภาพของคำตอบ
เนื้อหาต้นฉบับ
ฐานความรู้ต้องมีข้อมูลที่ถูกต้องและเป็นปัจจุบันสำหรับคำถาม
การค้นหา
ตัวค้นหาต้องพบข้อความที่ตอบคำขอได้จริง
การตรวจสอบขั้นสุดท้าย
บุคคลควรตรวจสอบข้อความสำคัญกับแหล่งที่อ้างอิงอยู่
คำถามเกี่ยวกับ retrieval-augmented generation
มันให้ข้อมูลภายนอกที่เกี่ยวข้องแก่โมเดลในเวลาที่มีคำขอ สิ่งนี้สามารถ สนับสนุนคำตอบเกี่ยวกับเนื้อหาปัจจุบันหรือเฉพาะองค์กร
ไม่ RAG ค้นหาข้อมูลสำหรับ prompt การฝึกหรือ fine-tuning เปลี่ยนแปลง ตัวโมเดลเอง
ไม่ มันสามารถลดคำตอบที่ไม่มีหลักฐานสนับสนุนโดยการจัดหาเนื้อหาต้นฉบับ แต่ การค้นหาและการตอบกลับที่สร้างขึ้นยังคงอาจผิดได้
คำศัพท์ที่เกี่ยวข้องในอภิธานศัพท์
นำความรู้ทางธุรกิจของคุณมาใช้งาน
แอป Caffeine รันบน Internet Computer เครือข่ายสาธารณะที่สร้างมาเพื่อสิ่งนี้โดยเฉพาะ