રીટ્રીવલ-ઓગમેન્ટેડ જનરેશન (RAG)

વ્યાખ્યા

રીટ્રીવલ-ઓગમેન્ટેડ જનરેશન (RAG) એ એક તકનીક છે જે જનરેટિવ મોડેલ્સને માહિતી પુનઃપ્રાપ્તિ પ્રણાલીઓ સાથે જોડે છે. તે વાસ્તવિક ચોકસાઈ સુધારવા માટે બાહ્ય સ્ત્રોતોમાં આઉટપુટનો આધાર બનાવે છે.

હેતુ

તેનો હેતુ જનરેટિવ AI માં ભ્રમ ઘટાડવાનો છે, જે પ્રાપ્ત દસ્તાવેજો સાથે પ્રતિભાવોમાં વધારો કરે છે. તે ખાસ કરીને પ્રશ્નોના જવાબ અને જ્ઞાન-સઘન કાર્યોમાં ઉપયોગી છે.

મહત્વ

• LLM આઉટપુટમાં વાસ્તવિક ચોકસાઈ સુધારે છે.
• ડોમેન-વિશિષ્ટ જ્ઞાન એકીકરણને સક્ષમ કરે છે.
• વિશ્વસનીય પુનઃપ્રાપ્તિ પ્રણાલીઓની જરૂર છે.
• હાઇબ્રિડ શોધ અને ઓપન-ડોમેન QA થી સંબંધિત.

તે કેવી રીતે કામ કરે છે

1. વપરાશકર્તા ક્વેરી અથવા પ્રોમ્પ્ટ પ્રદાન કરે છે.
2. પુનઃપ્રાપ્તિ સિસ્ટમ સંબંધિત દસ્તાવેજો મેળવે છે.
3. દસ્તાવેજોને જનરેટિવ મોડેલમાં પસાર કરવામાં આવે છે.
4. મોડેલ પુનઃપ્રાપ્ત સામગ્રીના આધારે પ્રતિભાવો ઉત્પન્ન કરે છે.
5. પ્રતિસાદ લૂપ્સ ભવિષ્યના પ્રદર્શનમાં સુધારો કરે છે.

ઉદાહરણો (વાસ્તવિક દુનિયા)

• બ્રાઉઝિંગ અથવા પુનઃપ્રાપ્તિ પ્લગઇન્સ સાથે OpenAI ChatGPT.
• મેટા આરએજી મોડેલ: પુનઃપ્રાપ્તિ-ગ્રાઉન્ડેડ એલએલએમ પર સંશોધન.
• પર્પ્લેક્સિટી એઆઈ: રીટ્રીવલ-ઓગમેન્ટેડ વાતચીત શોધ.

સંદર્ભો / વધુ વાંચન

• લેવિસ અને અન્ય. "જ્ઞાન-સઘન NLP માટે પુનઃપ્રાપ્તિ-સંવર્ધિત પેઢી." ન્યુરિપ્સ 2020.
• આલિંગન ચહેરો RAG અમલીકરણ.
• સ્ટેનફોર્ડ HAI સંશોધન પુનઃપ્રાપ્તિ પદ્ધતિઓ પર.
• RAFT શું છે? RAG + ફાઇન-ટ્યુનિંગ