पुनर्प्राप्ती-संवर्धित जनरेशन (RAG)

आरएजी सोल्युशन्स

व्याख्या

रिट्रीव्हल-ऑगमेंटेड जनरेशन (RAG) ही एक तंत्र आहे जी जनरेटिव्ह मॉडेल्सना माहिती पुनर्प्राप्ती प्रणालींसह एकत्र करते. ते तथ्यात्मक अचूकता सुधारण्यासाठी बाह्य स्रोतांमध्ये आउटपुटचा आधार घेते.

उद्देश

पुनर्प्राप्त केलेल्या कागदपत्रांसह प्रतिसाद वाढवून जनरेटिव्ह एआयमध्ये भ्रम कमी करणे हा यामागचा उद्देश आहे. हे विशेषतः प्रश्नांची उत्तरे आणि ज्ञान-केंद्रित कार्यांमध्ये उपयुक्त आहे.

महत्त्व

  • एलएलएम आउटपुटमध्ये तथ्यात्मक अचूकता सुधारते.
  • डोमेन-विशिष्ट ज्ञान एकत्रीकरण सक्षम करते.
  • विश्वसनीय पुनर्प्राप्ती प्रणाली आवश्यक आहे.
  • हायब्रिड शोध आणि ओपन-डोमेन QA शी संबंधित.

हे कसे कार्य करते

  1. वापरकर्ता एक क्वेरी किंवा प्रॉम्प्ट प्रदान करतो.
  2. पुनर्प्राप्ती प्रणाली संबंधित कागदपत्रे आणते.
  3. कागदपत्रे जनरेटिव्ह मॉडेलमध्ये पाठवली जातात.
  4. मॉडेल पुनर्प्राप्त केलेल्या सामग्रीवर आधारित प्रतिसाद निर्माण करते.
  5. फीडबॅक लूप भविष्यातील कामगिरी सुधारतात.

उदाहरणे (वास्तविक जग)

  • ब्राउझिंग किंवा रिट्रीव्हल प्लगइन्ससह ओपनएआय चॅटजीपीटी.
  • मेटा आरएजी मॉडेल: पुनर्प्राप्ती-ग्राउंडेड एलएलएमवर संशोधन.
  • पेरप्लेक्सिटी एआय: पुनर्प्राप्ती-संवर्धित संभाषणात्मक शोध.

संदर्भ / पुढील वाचन

  • लुईस आणि इतर. "ज्ञान-गहन एनएलपीसाठी पुनर्प्राप्ती-संवर्धित पिढी." न्यूरिप्स २०२०.
  • स्टॅनफोर्ड एचएआय संशोधन पुनर्प्राप्ती पद्धतींवर.
  • RAFT म्हणजे काय? RAG + फाइन-ट्यूनिंग

तुमच्या पुढील AI उपक्रमामध्ये आम्ही कशी मदत करू शकतो ते आम्हाला सांगा.