Hvad er hentningsforstærket generering (RAG)?

Få mere at vide om, hvordan teknologien til hentningsforstærket generering (RAG) forbedrer nøjagtigheden og relevansen af svar, der genereres af store sprogmodeller (LLM'er).

Skab intelligente programmer Introduktion til Azure

Betydningen af Retrieval-augmented generation

Retrieval-augmented generation er en AI-struktur, der omfatter hentning af relevante oplysninger fra eksterne kilder for at informere om og forbedre generering af svar. Denne dobbelte funktionalitet gør det muligt for RAG-systemer at producere mere informerede og nuancerede output end udelukkende genererende modeller.

Vigtigste budskaber

RAG-arkitektur gør det muligt for systemer drevet af kunstig intelligens at producere mere informeret og pålideligt indhold ved at basere generering, der er oplært på forhånd, i den hentede eksterne viden.

Fordelene ved RAG gør det til en effektiv teknik til oprettelse af systemer drevet af kunstig intelligens, der er mere præcise, pålidelige og alsidige med brede programmer på tværs af domæner, brancher og opgaver.

Udviklere bruger RAG til at bygge systemer drevet af kunstig intelligens, der kan generere indhold baseret på nøjagtige oplysninger, hvilket fører til mere pålidelige, kontekstbevidste og brugercentrerede programmer.

RAG-systemer kombinerer hentning og generering, hvilket gør det til et effektivt værktøj til en lang række programmer, brancher og use cases.

Efterhånden som RAG-modellerne fortsætter med at avancere, forventes de at spille en afgørende rolle i forskellige programmer, fra kundeservice til forskning og oprettelse af indhold.

RAG er indstillet til at spille en afgørende rolle i fremtiden for LLM'er ved at forbedre integrationen af processer til hentning og generering.

RAG: Sådan fungerer det, og derfor er den vigtigt

Sådan fungerer RAG

Retrieval-augmented generation kombinerer to teknikker. Først henter den oplysninger fra kilder som f.eks .databaser, dokumenter eller internettet. Når oplysningerne er indsamlet, bruges de til at informere om generering af svar. Denne tilgang udnytter styrkerne ved både hentnings- og genereringsteknikker og sikrer, at svarene er nøjagtige, relevante og kontekstuelt beriget med de mest opdaterede og specifikke oplysninger, der er tilgængelige.

Vigtigheden af RAG til kunstig intelligens

RAG spiller en afgørende rolle i at fremme funktionerne til kunstig intelligens og afspejler en tendens til mere intelligente og kontekstbevidste systemer, der effektivt kan kombinere store mængder oplysninger med avancerede egenskaber til generering. Her er de vigtigste årsager til, at RAG er grundlæggende for kunstig intelligens:

Forbedret nøjagtighed: Ved at integrere eksterne videnskilder forbedrer RAG nøjagtigheden og relevansen af svar, der genereres af LLM'er.

Kontekstafhængig relevans: RAG gør det muligt for AI-systemer at generere svar, der er mere kontekstafhængigt relevante, ved at hente specifikke oplysninger, der er relateret til anmodningen.
Omkostningseffektivitet: Implementering af RAG er mere effektivt end løbende genoplæring af LLM'er med nye data.
Gennemsigtighed: Ved at levere kilder til de oplysninger, der bruges i svar, øger RAG troværdigheden og tilliden.
Alsidighed: RAG kan anvendes på tværs af forskellige sektorer, såsom sundheds og uddannelsessektorer samt finansielle sektorer, og til formål som kundeservice, forskning og oprettelse af indhold.
Forbedret oplevelse: Ved at levere mere præcise og relevante svar fører RAG-teknologi til mere tilfredsstillende og produktive interaktioner for brugerne.

RAG-arkitektur

Arkitekturen i RAG-systemer er en kombination af to hovedmoduler plus en fusionsmekanisme, der arbejder sammen om at producere nøjagtige og kontekstuelt relevante output. RAG-moduler kan oplæres fra start til slut, hvilket giver algoritmen mulighed for at optimere hentning og generering i fællesskab, hvilket resulterer i et mere informeret og pålideligt resultat.

Sådan fungerer RAG-arkitektur:

Hentningsmodulet søger gennem et stort datasæt for at finde de mest relevante oplysninger baseret på forespørgslen.

Efter hentningen bruger generatormoduletde hentede oplysninger som yderligere kontekst til at generere et sammenhængende og relevant svar. Generatormoduler er typisk en forudtrænet sprogmodel, såsom generative pre-trained transformer (GPT) eller tovejs- og automatisk regressive transformere (BART), der er finjusteret til at generere tekst baseret på inputtet og de hentede oplysninger.

Fusionsmekanismen sikrer, at de hentede oplysninger kombineres effektivt i genereringsprocessen. Denne interaktion mellem modulerne gør det muligt for RAG-systemer at producere mere informeret og pålideligt indhold ved at basere genereringen på den hentede viden.

Hvad er fordelene ved RAG?

Effektiv arkitektur til forbedring af kunstig intelligens

Udviklere bruger RAG-arkitekturen til at oprette systemer drevet af kunstig intelligens, der er mere præcise, pålidelige og alsidige, med brede programmer på tværs af forskellige brancher og opgaver. Fordelene ved RAG er:

Forbedret nøjagtighed, relevans og kontekstafhængig præcision: Ved at hente relevante dokumenter eller data sikrer RAG, at det genererede output er baseret på faktiske og relevante oplysninger, hvilket forbedrer den overordnede nøjagtighed og relevans af svar.
Reduceret mængde gennem faktabaseret generation: RAG reducerer sandsynligheden for, at spidsbelastninger – genererer plausible, men forkerte oplysninger – der baserer genereringsmodellens output på faktisk hentet indhold, hvilket fører til mere pålidelige resultater.
Forbedret ydeevne i opgaver med åbent domæne med bred vidensadgang: RAG excellerer i besvarelse af spørgsmål i åbent domæne og lignende opgaver ved effektivt at hente oplysninger fra store og forskellige kilder, hvilket gør det muligt at håndtere en lang række emner med dybde og bredde.
Skalerbarhed og kapacitet til håndtering af store videnbaser: RAG kan effektivt søge efter og hente relevante oplysninger fra enorme datasæt, hvilket gør det skalerbart og egnet til programmer, der kræver omfattende vidensadgang. NoSQL-databaser gør det muligt for RAG-modeller at udnytte store mængder data til at generere kontekstuelt forbedrede svar.
Tilpasning og domænespecifikke programmer: RAG-modeller kan tilpasses og kan finjusteres til bestemte domæner, så udviklere kan oprette specialiserede AI-systemer, der er skræddersyet til bestemte brancher eller opgaver, f.eks. juridisk rådgivning, medicinsk diagnosticering eller økonomisk analyse.
Interaktiv og tilpasset læring: Via brugercentreret tilpasning kan RAG-systemer lære af brugerinteraktioner, hente mere relevante oplysninger over tid og tilpasse deres svar, så de bedre opfylder brugernes behov, hvilket forbedrer brugeroplevelsen og engagementet.
Alsidighed og multimodal integration: RAG kan udvides til at fungere sammen med flermodale data (tekst, billeder, strukturerede data), hvilket forbedrer detaljeringsniveauet og mangfoldigheden af de oplysninger, der bruges i generering, og udvider modellens programmer.
Informeret skrivning til effektiv oprettelse af indhold: RAG er et effektivt værktøj ved at hente relevante fakta og referencer og sikre, at genereret indhold ikke kun er kreativt, men også nøjagtigt og velinformeret.

Hvad er de mest almindelige RAG-programmer?

Alsidighed på tværs af programmer

Hentningsforstærket generering er en adaptiv, alsidig AI-arkitektur med en lang række use cases på tværs af domæner og brancher. Her er vigtige programmer af RAG:

ODQA (Open-domain question answering)
Use case: RAG er yderst effektiv i ODQA-systemer, hvor brugerne kan stille spørgsmål om stort set ethvert emne.
Eksempel: Chatrobotter til kundesupport bruger RAG til at give nøjagtige svar ved at hente oplysninger fra store videnbaser eller ofte stillede spørgsmål.
Domænespecifikke specialiserede forespørgsler
Use case: I den juridiske branche kan RAG hjælpe med at analysere og generere opsummeringer af sagsakter, præcedens og statutter ved at hente relevante dokumenter.
Eksempel: Et juridisk assistentværktøj henter og opsummerer dokumenter til bestemte formål.
Indholdsopsummering
Use case: RAG kan hjælpe med at generere indhold af høj kvalitet, såsom mødenoter eller oversigter over artikler, rapporter eller blogindlæg, ved at hente relevante oplysninger og integrere dem i den genererede tekst.
Eksempel: En journalist bruger RAG til at generere oversigter over de seneste nyhedsartikler ved at hente vigtige oplysninger fra forskellige kilder.
Tilpassede anbefalinger
Use case: RAG kan forbedre anbefalingssystemer ved at hente brugerspecifikke oplysninger og generere tilpassede forslag.
Eksempel: En e-handelsplatform bruger RAG til at anbefale produkter baseret på en brugers browserdata og præferencer, og tilbyder forklaringer, der er genereret ud fra relevante produktanmeldelser eller -beskrivelser.
Kompleks scenarieanalyse og oprettelse af indhold
Use case: En hybrid RAG-model kan bruges til at generere og samle detaljerede rapporter eller analyser ved at hente relevante data, dokumenter eller nyheder fra flere komplekse kilder.
Eksempel: Et værktøj til finansiel analyse genererer investeringsprojektioner, analyser eller rapporter ved at hente og opsummere de seneste markedstendenser, historiske finansielle data, aktieresultater, ekspertkommentarer og økonomiske indikatorer.
Researchoplysninger og -syntese
Use case: Forskere kan bruge RAG til at hente og syntetisere oplysninger fra akademiske opgaver, rapporter eller databaser for at lette anmeldelser og forskningsprojekter.
Eksempel: Et akademisk værktøj genererer oversigter over relevante forskningspapirer ved at hente vigtige resultater fra forskellige undersøgelser.
Flersprogede og tværsprogede programmer
Use case: RAG kan udrulles i miljøer på flere sprog for at hente oplysninger på forskellige sprog og generere indhold på tværs af sprog.
Eksempel: Et oversættelsesværktøj oversætter tekst og henter samtidig kulturelt relevante oplysninger for at sikre, at oversættelsen er kontekstuelt relevant.

RAG vil drive fremtidens kunstig intelligens

Øget præcision i output fra kunstig intelligens

Hentningsforstærket generering er indstillet til at spille en afgørende rolle i fremtiden for LLM'er ved at forbedre integrationen af processer til hentning og generering. De forventede fremskridt på dette område vil føre til en mere problemfri og avanceret fusion af disse komponenter, hvilket gør det muligt for LLM'er at levere meget nøjagtige og kontekstuelt relevante output på tværs af en lang række programmer og brancher.

I takt med at RAG fortsætter med at udvikle sig, kan vi forudse dens indførelse på nye domæner, såsom tilpasset uddannelse, hvor den kan skræddersy læringsoplevelser baseret på individuelle behov og avancerede researchværktøjer, der tilbyder præcis og omfattende hentning af oplysninger til komplekse forespørgsler.

Håndtering af aktuelle begrænsninger, såsom forbedring af nøjagtigheden af hentning og reduktion af bias, er nøglen til at maksimere potentialet i RAG-systemer. Fremtidige gentagelser af RAG vil sandsynligvis indeholde mere interaktive og kontekstbevidste systemer, hvilket forbedrer brugeroplevelsen ved dynamisk at tilpasse til brugerinput.

Derudover vil udviklingen af multimodale RAG-modeller, der bruger computer vision til at integrere tekst, billeder og andre datatyper, udvide og åbne endnu flere muligheder, hvilket gør LLM'er mere alsidige og effektive end nogensinde før.

RESSOURCER 

Tilføj OCR med Azure AI Services

Kom i gang

En kvinde med briller og et tørklæde smiler, mens hun arbejder på en bærbar computer i udendørs, tropiske omgivelser.

Azure-ressourcer

Besøg Azure-ressourcecenter

Se instruktionsvideoer, whitepapers og analyserapporter, udforsk kurser og arrangementer, og få casestudier, kodeeksempler og løsningsarkitekturer.

Få mere at vide om Azure

En person står ved et skrivebord med flere skærme, der viser kode, og arbejder på en bærbar computer i et kontormiljø.

Microsoft Learn

Udforsk læringshubben drevet af kunstig intelligens

Opbyg dine færdigheder inden for kunstig intelligens med selvstudier i dit eget tempo, virtuelle træningsbegivenheder og personlige kurser, der er designet til din specifikke rolle.

Begynd at lære

To personer diskuterer noget på en skærm, mens én holder en tablet, der viser oplysninger.

Udviklerstuderende

Kickstart din karriere inden for teknologi

Opnå mere med værktøjer og programmer, der kun er beregnet til studerende. Få adgang til videoer, selvstudier, gratis værktøjer og communityprogrammer.

Udforsk ressourcer til studerende

Ofte stillede spørgsmål

Hentningsforstærket generering (RAG) er en teknik drevet af kunstig intelligens, der kombinerer en hentningsmodel med en genererende model. Den henter relaterede oplysninger fra en database eller et dokumentsæt og bruger dem til at generere mere nøjagtige og kontekstuelt relevante svar. Denne tilgang forbedrer kvaliteten af tekst genereret af kunstig intelligens ved at basere den på virkelige data, hvilket gør den særligt nyttig til opgaver som besvarelse af spørgsmål, opsummering og oprettelse af indhold.
RAG forbedrer indhold genereret af kunstig intelligens ved at inkorporere eksterne data. Den henter relevante oplysninger fra en database og bruger derefter disse data til at generere mere nøjagtige og kontekstbevidste svar. Denne proces sikrer, at output fra systemet drevet af kunstig intelligens er bedre informerede og mere pålidelige.
RAG kombinerer en stor sprogmodel (LLM) med en hentningsmekanisme. Mens en LLM genererer tekst baseret på data, der er oplært på forhånd, forbedrer RAG dette ved at hente relevante oplysninger fra eksterne kilder i realtid, hvilket forbedrer nøjagtigheden og relevansen. LLM er i bund og grund afhængig af lærte mønstre, mens RAG aktivt henter opdaterede oplysninger for at informere sine svar.

Udforsk Azure-portalen