RAG չաթբոտ
RAG չաթբոտը զրուցային AI է, որն օգտագործում է որոնմամբ ուժեղացված գեներացիա (retrieval-augmented generation)՝ պատասխանի պահին այն փնտրում է համապատասխան տեղեկություն գիտելիքի աղբյուրից և օգտագործում այդ որոնված բովանդակությունը՝ իր պատասխանը հիմնավորելու համար, փոխանակ հենվելու միայն այն բանի վրա, ինչ մոդելն անգիր է արել ուսուցման ընթացքում։
RAG-ը նշանակում է որոնմամբ ուժեղացված գեներացիա (retrieval-augmented generation)։ RAG չաթբոտը համատեղում է մեծ լեզվական մոդելը որոնման քայլի հետ. երբ օգտատերը հարց է տալիս, համակարգը նախ որոնում է գիտելիքի աղբյուրում (օգնության հոդվածներ, արտադրանքի փաստաթղթեր, քաղաքականություններ, անցյալ հարցումներ) ամենահամապատասխան հատվածները, ապա փոխանցում այդ հատվածները մոդելին որպես համատեքստ, որպեսզի գեներացված պատասխանը հիմնված լինի իրական, ընթացիկ տեղեկության վրա, այլ ոչ թե միայն մոդելի ընդհանուր ուսուցման տվյալների։
Մեխանիկորեն գիտելիքի աղբյուրը սովորաբար բաժանվում է հատվածների, վերածվում վեկտորային ներդրումների (embeddings) և պահվում վեկտորային տվյալների բազայում կամ որոնման ինդեքսում։ Հարցման պահին օգտատիրոջ հարցը ներդրվում է և համեմատվում այդ ինդեքսի հետ՝ ամենամոտ հատվածները հանելու համար։ Այդ հատվածները տեղադրվում են հրահանգում, և մոդելը գեներացնում է պատասխան, որը հենվում է դրանց վրա, հաճախ աղբյուրին ուղղված հղումներով։
RAG-ի հիմնական առավելությունը սովորական լեզվական մոդելի նկատմամբ ճշգրտությունն ու թարմությունն են։ Քանի որ պատասխանները կապված են որոնված բովանդակության հետ, RAG չաթբոտը կարող է արտացոլել տեղեկություն, որը գոյություն չուներ մոդելի ուսուցման ժամանակ, համահունչ մնալ ձեր կոնկրետ քաղաքականություններին և նվազեցնել հալյուցինացիաները՝ մոդելին տալով հեղինակավոր նյութ, որից աշխատի։ Գիտելիքի բազան թարմացնելը թարմացնում է բոտի պատասխանները։ Մոդելի վերաուսուցում պետք չէ։
RAG-ը հրաշագործ լուծում չէ։ Պատասխանի որակը մեծապես կախված է որոնման որակից. եթե ինդեքսում բովանդակություն է բացակայում, վատ է հատվածավորված կամ վերադարձնում է անհամապատասխան հատվածներ, մոդելը դեռ կարող է սխալ կամ անորոշ պատասխաններ տալ։ Լավ RAG համակարգերը ներդրումներ են անում մաքուր սկզբնական բովանդակության, խելամիտ հատվածավորման, ուժեղ որոնման դասակարգման և հիմնավորման ստուգումների մեջ, որոնք մոդելին զերծ են պահում որոնվածի սահմաններից դուրս գնալուց։
Mercateer-ը կառուցված է այս գիտելիք-առաջին օրինաչափության վրա։ Յուրաքանչյուր գործակալ որոնում է ձեր սեփական փաստաթղթերից, հաճախ տրվող հարցերից և քաղաքականություններից ու հիմնավորում իր պատասխանները այդ նյութի վրա, այնպես որ պատասխանները մնում են ճշգրիտ և քաղաքականությանը համապատասխան՝ ավելի մոտ լավ կառուցված RAG համակարգին, քան սցենարային որոշումների ծառին, որը գիտի միայն այն ուղիները, որ ինչ-որ մեկը նախապես ձեռքով լարել է։
Հարակից տերմիններ
