Որոնմամբ հարստացված գեներացում (RAG)
Որոնմամբ հարստացված գեներացումը (RAG) օրինաչափություն է, որտեղ հարցման պահին համապատասխան փաստաթղթերը բերվում են արտաքին պահոցից և ներդրվում հուշման մեջ, որպեսզի մոդելը պատասխանի այդ թարմ, կոնկրետ նյութից, այլ ոչ միայն հիշողությունից։
Մոդելի ներկառուցված գիտելիքը ֆիքսված է ուսուցման պահին և չի կարող ընդգրկել մասնավոր կամ արդիական տվյալները։ RAG-ը լրացնում է այդ բացը. օգտատիրոջ հարցումն օգտագործվում է գիտելիքի բազան որոնելու համար (հաճախ վեկտորային նմանության միջոցով), լավագույն համընկնումները բերվում են համատեքստի պատուհան, և մոդելին խնդրվում է պատասխանել դրանց հիման վրա։ Դա պատասխանները դարձնում է արդիական և կոնկրետ, թույլ է տալիս մեջբերել աղբյուրները և նվազեցնում հալյուցինացիան, պայմանով, որ որոնումն իսկապես գտնում է ճիշտ նյութը։
Հիմնական կետերը
- Հարցման պահին բերել համապատասխան հատվածները, դնել դրանք հուշման մեջ, ապա գեներացնել դրանց վրա հիմնված պատասխանը։
- Պահում է պատասխանները արդիական և ոլորտին հատուկ՝ առանց մոդելը վերաուսուցանելու։
- Հնարավոր է դարձնում մեջբերումները և նվազեցնում հալյուցինացիան, բայց միայն այնքանով, որքանով թույլ է տալիս որոնման որակը։
- Որոնման որակը (հատվածավորում, embeddings, դասակարգում) սովորաբար ավելի կարևոր է, քան մոդելի ընտրությունը։
Սովորիր՝ կառուցելով
Way of the Agent-ը սովորեցնում է ԱԲ գործակալների ինժեներիան մակարդակ առ մակարդակ՝ այսպիսի հասկացություններ, ապա գործնական փորձ, XP և ԱԲ Տարեգրություններ։
Սկսիր անվճար →