നിര്വചനം
ജനറേറ്റീവ് മോഡലുകളെയും വിവര വീണ്ടെടുക്കൽ സംവിധാനങ്ങളെയും സംയോജിപ്പിക്കുന്ന ഒരു സാങ്കേതികതയാണ് റിട്രീവൽ-ഓഗ്മെന്റഡ് ജനറേഷൻ (RAG). വസ്തുതാപരമായ കൃത്യത മെച്ചപ്പെടുത്തുന്നതിന് ഇത് ബാഹ്യ ഉറവിടങ്ങളിലെ ഔട്ട്പുട്ടുകളെ ഗ്രൗണ്ട് ചെയ്യുന്നു.
ഉദ്ദേശ്യം
വീണ്ടെടുക്കപ്പെട്ട രേഖകൾ ഉപയോഗിച്ച് പ്രതികരണങ്ങൾ വർദ്ധിപ്പിച്ചുകൊണ്ട് ജനറേറ്റീവ് AI-യിലെ ഭ്രമാത്മകത കുറയ്ക്കുക എന്നതാണ് ഇതിന്റെ ഉദ്ദേശ്യം. ചോദ്യോത്തരങ്ങളിലും അറിവ് ആവശ്യമുള്ള ജോലികളിലും ഇത് പ്രത്യേകിച്ചും ഉപയോഗപ്രദമാണ്.
പ്രാധാന്യം
- എൽഎൽഎം ഔട്ട്പുട്ടുകളിൽ വസ്തുതാപരമായ കൃത്യത മെച്ചപ്പെടുത്തുന്നു.
- ഡൊമെയ്ൻ-നിർദ്ദിഷ്ട വിജ്ഞാന സംയോജനം പ്രാപ്തമാക്കുന്നു.
- വിശ്വസനീയമായ വീണ്ടെടുക്കൽ സംവിധാനങ്ങൾ ആവശ്യമാണ്.
- ഹൈബ്രിഡ് തിരയലുമായും ഓപ്പൺ-ഡൊമെയ്ൻ QAയുമായും ബന്ധപ്പെട്ടത്.
ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു
- ഉപയോക്താവ് ഒരു ചോദ്യം അല്ലെങ്കിൽ പ്രോംപ്റ്റ് നൽകുന്നു.
- വീണ്ടെടുക്കൽ സംവിധാനം പ്രസക്തമായ രേഖകൾ ലഭ്യമാക്കുന്നു.
- പ്രമാണങ്ങൾ ഒരു ജനറേറ്റീവ് മോഡലിലേക്ക് കൈമാറുന്നു.
- വീണ്ടെടുത്ത ഉള്ളടക്കത്തെ അടിസ്ഥാനമാക്കി മോഡൽ പ്രതികരണങ്ങൾ സൃഷ്ടിക്കുന്നു.
- ഫീഡ്ബാക്ക് ലൂപ്പുകൾ ഭാവിയിലെ പ്രകടനം മെച്ചപ്പെടുത്തുന്നു.
ഉദാഹരണങ്ങൾ (യഥാർത്ഥ ലോകം)
- ബ്രൗസിംഗ് അല്ലെങ്കിൽ വീണ്ടെടുക്കൽ പ്ലഗിനുകൾ ഉള്ള OpenAI ChatGPT.
- മെറ്റാ ആർഎജി മോഡൽ: വീണ്ടെടുക്കൽ അടിസ്ഥാനമാക്കിയുള്ള എൽഎൽഎമ്മുകളെക്കുറിച്ചുള്ള ഗവേഷണം.
- പെർപ്ലെക്സിറ്റി AI: വീണ്ടെടുക്കൽ-വർദ്ധിപ്പിച്ച സംഭാഷണ തിരയൽ.
റഫറൻസുകൾ / കൂടുതൽ വായന
- ലൂയിസ് തുടങ്ങിയവർ. “വിജ്ഞാന-തീവ്രമായ NLP-യ്ക്കുള്ള വീണ്ടെടുക്കൽ-വർദ്ധിപ്പിച്ച തലമുറ.” ന്യൂറിഐപിഎസ് 2020.
- ഹഗ്ഗിംഗ് ഫേസ് RAG നടപ്പിലാക്കൽ.
- സ്റ്റാൻഫോർഡ് HAI റിസർച്ച് ഓൺ റിട്രീവൽ മെത്തേഡ്സ്.
- എന്താണ് RAFT? RAG + ഫൈൻ-ട്യൂണിംഗ്
