నిర్వచనం
రిట్రీవల్-ఆగ్మెంటెడ్ జనరేషన్ (RAG) అనేది జనరేటివ్ మోడల్లను ఇన్ఫర్మేషన్ రిట్రీవల్ సిస్టమ్లతో కలిపే ఒక టెక్నిక్. ఇది వాస్తవ ఖచ్చితత్వాన్ని మెరుగుపరచడానికి బాహ్య వనరులలో అవుట్పుట్లను గ్రౌండ్ చేస్తుంది.
పర్పస్
తిరిగి పొందిన పత్రాలతో ప్రతిస్పందనలను పెంచడం ద్వారా జనరేటివ్ AIలో భ్రాంతులను తగ్గించడం దీని ఉద్దేశ్యం. ఇది ప్రశ్నలకు సమాధానాలు మరియు జ్ఞాన-ఇంటెన్సివ్ పనులలో ప్రత్యేకంగా ఉపయోగపడుతుంది.
ప్రాముఖ్యత
- LLM అవుట్పుట్లలో వాస్తవ ఖచ్చితత్వాన్ని మెరుగుపరుస్తుంది.
- డొమైన్-నిర్దిష్ట జ్ఞాన ఏకీకరణను ప్రారంభిస్తుంది.
- నమ్మకమైన పునరుద్ధరణ వ్యవస్థలు అవసరం.
- హైబ్రిడ్ శోధన మరియు ఓపెన్-డొమైన్ QA కి సంబంధించినది.
అది ఎలా పని చేస్తుంది
- వినియోగదారు ఒక ప్రశ్న లేదా ప్రాంప్ట్ను అందిస్తారు.
- రిట్రీవల్ సిస్టమ్ సంబంధిత పత్రాలను పొందుతుంది.
- పత్రాలు ఒక జనరేటివ్ మోడల్లోకి పంపబడతాయి.
- మోడల్ తిరిగి పొందిన కంటెంట్ ఆధారంగా ప్రతిస్పందనలను ఉత్పత్తి చేస్తుంది.
- అభిప్రాయ లూప్లు భవిష్యత్తు పనితీరును మెరుగుపరుస్తాయి.
ఉదాహరణలు (వాస్తవ ప్రపంచం)
- బ్రౌజింగ్ లేదా రిట్రీవల్ ప్లగిన్లతో OpenAI ChatGPT.
- మెటా RAG మోడల్: రిట్రీవల్-గ్రౌండెడ్ LLM లపై పరిశోధన.
- పెర్ప్లెక్సిటీ AI: తిరిగి పొందడం-వృద్ధి చెందిన సంభాషణ శోధన.
సూచనలు / తదుపరి పఠనం
- లూయిస్ మరియు ఇతరులు. “జ్ఞాన-ఇంటెన్సివ్ NLP కోసం తిరిగి పొందే-వృద్ధి చెందిన తరం.” న్యూరిఐపిఎస్ 2020.
- హగ్గింగ్ ఫేస్ RAG అమలు.
- స్టాన్ఫోర్డ్ HAI పరిశోధన ఆన్ రిట్రీవల్ మెథడ్స్.
- RAFT అంటే ఏమిటి? RAG + ఫైన్-ట్యూనింగ్
