ਰੀਟ੍ਰੀਵਲ-ਔਗਮੈਂਟਡ ਜਨਰੇਸ਼ਨ (RAG)

ਪਰਿਭਾਸ਼ਾ

ਰਿਟ੍ਰੀਵਲ-ਔਗਮੈਂਟਡ ਜਨਰੇਸ਼ਨ (RAG) ਇੱਕ ਤਕਨੀਕ ਹੈ ਜੋ ਜਨਰੇਟਿਵ ਮਾਡਲਾਂ ਨੂੰ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤੀ ਪ੍ਰਣਾਲੀਆਂ ਨਾਲ ਜੋੜਦੀ ਹੈ। ਇਹ ਤੱਥਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਬਾਹਰੀ ਸਰੋਤਾਂ ਵਿੱਚ ਆਉਟਪੁੱਟ ਨੂੰ ਆਧਾਰ ਬਣਾਉਂਦੀ ਹੈ।

ਉਦੇਸ਼

ਇਸਦਾ ਉਦੇਸ਼ ਪ੍ਰਾਪਤ ਦਸਤਾਵੇਜ਼ਾਂ ਨਾਲ ਜਵਾਬਾਂ ਨੂੰ ਵਧਾ ਕੇ ਜਨਰੇਟਿਵ ਏਆਈ ਵਿੱਚ ਭਰਮ ਨੂੰ ਘਟਾਉਣਾ ਹੈ। ਇਹ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਪ੍ਰਸ਼ਨ ਉੱਤਰ ਅਤੇ ਗਿਆਨ-ਸੰਬੰਧੀ ਕਾਰਜਾਂ ਵਿੱਚ ਲਾਭਦਾਇਕ ਹੈ।

ਮਹੱਤਤਾ

• LLM ਆਉਟਪੁੱਟਾਂ ਵਿੱਚ ਤੱਥਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਂਦਾ ਹੈ।
• ਡੋਮੇਨ-ਵਿਸ਼ੇਸ਼ ਗਿਆਨ ਏਕੀਕਰਨ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ।
• ਭਰੋਸੇਯੋਗ ਪ੍ਰਾਪਤੀ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਲੋੜ ਹੈ।
• ਹਾਈਬ੍ਰਿਡ ਖੋਜ ਅਤੇ ਓਪਨ-ਡੋਮੇਨ QA ਨਾਲ ਸੰਬੰਧਿਤ।

ਕਿਦਾ ਚਲਦਾ

1. ਯੂਜ਼ਰ ਇੱਕ ਪੁੱਛਗਿੱਛ ਜਾਂ ਪ੍ਰੋਂਪਟ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
2. ਪ੍ਰਾਪਤੀ ਪ੍ਰਣਾਲੀ ਸੰਬੰਧਿਤ ਦਸਤਾਵੇਜ਼ ਪ੍ਰਾਪਤ ਕਰਦੀ ਹੈ।
3. ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਇੱਕ ਜਨਰੇਟਿਵ ਮਾਡਲ ਵਿੱਚ ਪਾਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
4. ਮਾਡਲ ਪ੍ਰਾਪਤ ਕੀਤੀ ਸਮੱਗਰੀ ਦੇ ਆਧਾਰ 'ਤੇ ਜਵਾਬ ਤਿਆਰ ਕਰਦਾ ਹੈ।
5. ਫੀਡਬੈਕ ਲੂਪਸ ਭਵਿੱਖ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਂਦੇ ਹਨ।

ਉਦਾਹਰਣਾਂ (ਅਸਲ ਦੁਨੀਆਂ)

• ਬ੍ਰਾਊਜ਼ਿੰਗ ਜਾਂ ਪ੍ਰਾਪਤੀ ਪਲੱਗਇਨਾਂ ਦੇ ਨਾਲ OpenAI ChatGPT।
• ਮੈਟਾ ਆਰਏਜੀ ਮਾਡਲ: ਪ੍ਰਾਪਤੀ-ਅਧਾਰਿਤ ਐਲਐਲਐਮ 'ਤੇ ਖੋਜ।
• ਪੇਚੀਦਗੀ AI: ਪ੍ਰਾਪਤੀ-ਵਧਾਈ ਗਈ ਗੱਲਬਾਤ ਖੋਜ।

ਹਵਾਲੇ / ਹੋਰ ਪੜ੍ਹਨਾ

• ਲੇਵਿਸ ਅਤੇ ਹੋਰ। "ਗਿਆਨ-ਗੁੰਝਲਦਾਰ NLP ਲਈ ਪ੍ਰਾਪਤੀ-ਵਧਾਈ ਗਈ ਪੀੜ੍ਹੀ।" ਨਿਊਰਿਪਸ 2020।
• ਜੱਫੀ ਪਾਉਣ ਵਾਲਾ ਚਿਹਰਾ RAG ਲਾਗੂ ਕਰਨਾ।
• ਸਟੈਨਫੋਰਡ ਐੱਚਏਆਈ ਰਿਸਰਚ ਆਨ ਰਿਟ੍ਰੀਵਲ ਮੈਥਡਸ।
• RAFT ਕੀ ਹੈ? RAG + ਫਾਈਨ-ਟਿਊਨਿੰਗ