RAG چیست ؟

فرض کنید از یک مدل هوش مصنوعی درباره قوانین داخلی شرکتتان سؤال می‌کنید، اما این اطلاعات در آموزش عمومی مدل وجود ندارد. یکی از راه‌حل‌های رایج RAG یا Retrieval-Augmented Generation است: ابتدا اطلاعات مرتبط پیدا می‌شود و بعد همان اطلاعات در اختیار مدل قرار می‌گیرد تا پاسخ را بر اساس آن بسازد.

در یک مثال ساده، سؤال شما وارد سیستم می‌شود، بخش جست‌وجو میان فایل‌ها یا پایگاه دانش چند قسمت مرتبط را پیدا می‌کند و مدل با دیدن سؤال و آن بخش‌ها پاسخ می‌دهد. به همین دلیل RAG ترکیبی از «بازیابی اطلاعات» و «تولید پاسخ» است.

این روش برای پشتیبانی، جست‌وجوی اسناد، پرسش از فایل‌ها و دانش سازمانی مفید است؛ چون لازم نیست برای هر تغییر در اسناد، حتماً خود مدل دوباره آموزش داده شود.

RAG با Fine-tuning یکی نیست. Fine-tuning رفتار مدل را با آموزش بیشتر تنظیم می‌کند، در حالی که RAG معمولاً اطلاعات مرتبط را هنگام پاسخ‌دادن به مدل می‌رساند. این دو حتی می‌توانند در یک سیستم کنار هم استفاده شوند.

RAG هم تضمین حقیقت نیست. اگر جست‌وجو سند اشتباه پیدا کند یا مدل از متن بازیابی‌شده برداشت نادرستی داشته باشد، پاسخ ممکن است خطا داشته باشد. کیفیت اسناد، روش جست‌وجو و ارزیابی پاسخ همچنان مهم‌اند.