Geri Alım Artırılmış Nesil (RAG)

Geri Alım Artırılmış Nesil Nasıl Çalışır?

RAG süreci tipik olarak iki ana aşamadan oluşur:

1. Geri alma: Bir kullanıcı bir istem veya sorgu sağladığında, sistem ilk olarak bu girdiyi geniş bir belge külliyatında veya bir vektör veritabanında arama yapmak için kullanır. Bu arama, sorguyla ilgili bilgileri içeren metin parçalarını veya belgeleri bulmayı amaçlar. Anlamsal arama gibi teknikler, yalnızca anahtar kelime eşleşmelerini değil, bağlamsal olarak benzer bilgileri bulmak için sıklıkla kullanılır.
2. Üretim: İlk aşamada alınan ilgili bilgiler daha sonra orijinal kullanıcı istemiyle birleştirilir. Artık belirli bir bağlamla zenginleştirilmiş olan bu artırılmış istem, LLM'ye beslenir. LLM, kapsamlı ve gerçeklere dayalı bir yanıt sentezlemek için hem orijinal sorguyu hem de sağlanan bağlamı kullanır. Bu süreç, Bilgi-Yoğun NLP Görevleri için Alma-Artırılmış Üretim makalesi gibi araştırmalarda resmi olarak tanıtılmıştır.

Faydaları ve Uygulamaları

RAG, standart LLM'leri tek başına kullanmaya göre çeşitli avantajlar sunar:

• İyileştirilmiş Doğruluk: RAG, yanıtları harici verilerle temellendirerek, LLM'nin yanlış veya uydurma bilgi üretme olasılığını azaltır.
• Güncel Bilgiye Erişim: RAG sistemleri, bilgi tabanlarında depolanan güncel bilgilere erişebilir ve bilgileri son eğitimleri sırasında dondurulmuş olan LLM'lerin sınırlamasının üstesinden gelebilir.
• Alana Özel Bilgi: LLM'lerin belirli teknik belgelerden veya veri tabanlarından bilgi alarak uzmanlaşmış alanlarda uzman düzeyinde yanıtlar vermesine olanak tanır.
• Şeffaflık ve Güven: RAG sistemleri genellikle üretim için kullanılan kaynaklardan alıntı yapabilir, kullanıcı güvenini artırır ve YZ etiği için çok önemli olan doğruluk kontrolüne izin verir.

Gerçek Dünya Örnekleri:

1. Kurumsal Bilgi Yönetimi: Şirketler, SharePoint gibi platformlarda veya özel bilgi tabanlarında depolanan dahili politikalardan, teknik kılavuzlardan ve raporlardan bilgi alarak çalışanların sorularını doğru bir şekilde yanıtlayabilen dahili sohbet robotları oluşturmak için RAG'yi kullanır.
2. Müşteri Destek Otomasyonu: Müşteri hizmetleri platformları, destek temsilcilerine veya sohbet robotlarına SSS'lerden, ürün belgelerinden ve geçmiş destek biletlerinden ilgili bilgileri sağlamak için RAG'den yararlanarak müşteri sorgularının daha hızlı ve daha doğru bir şekilde çözülmesini sağlar. Zendesk gibi araçlar bu tür özellikleri bünyesinde barındırıyor.

RAG ve İlgili Kavramlar

• RAG ve Standart LLM'ler: Standart LLM'ler yalnızca eğitim sırasında öğrenilen kalıplara dayalı yanıtlar üretir. RAG, çıkarım zamanında harici bilgileri dinamik olarak dahil ederek bunu geliştirir ve daha gerçekçi ve bağlamla ilgili çıktılara yol açar.
• RAG ve İnce Ayar: İnce ayar, eğitim sürecini daha küçük, özel bir veri kümesi üzerinde devam ettirerek önceden eğitilmiş bir modeli belirli görevlere veya etki alanlarına uyarlar. Etkili olmakla birlikte, bilgiyi güncellemek için önemli hesaplama kaynakları ve yeniden eğitim gerektirir. RAG, LLM'yi yeniden eğitmeden sadece harici veri kaynağını değiştirerek bilgi güncellemelerine izin verir, bu da onu hızla değişen bilgiler için daha esnek hale getirir. RAG ve ince ayar birlikte de kullanılabilir.
• RAG ve İstem Mühendisliği: İstem mühendisliği, LLM'nin yanıtını yönlendirmek için giriş isteminin dikkatlice hazırlanmasını içerir. RAG, istem içinde ilgili bağlamı harici bir kaynaktan alarak sağlama sürecini otomatikleştirir. LangChain ve LlamaIndex gibi çerçeveler, RAG boru hatları oluşturmak için araçlar sağlar.

RAG, daha bilgili ve güvenilir yapay zeka sistemleri yaratmaya yönelik önemli bir adımı temsil etmekte ve LLM'lerin geniş üretim gücü ile gerçeklere dayalı doğruluk ihtiyacı arasındaki boşluğu doldurmaktadır. Genellikle metinle ilişkilendirilse de, kavram potansiyel olarak aşağıdaki gibi modelleri artırmaya kadar genişletilebilir Ultralytics YOLO İlgili görsel örnekleri veya meta verileri alarak, bu bilgisayarla görmede hala gelişmekte olan bir araştırma alanı olmasına rağmen. Ultralytics HUB gibi platformlar, gelecekteki çok modlu RAG uygulamalarında potansiyel olarak bilgi kaynağı olarak hizmet edebilecek modellerin ve veri kümelerinin yönetilmesini kolaylaştırır. Mevcut veri kümelerini keşfetmek, yararlı olabilecek yapılandırılmış bilgi türlerine ilişkin içgörüler sağlayabilir.