Che cos'è Recupero della generazione aumentata (RAG)?

Recupero della generazione aumentata (RAG) è un framework di intelligenza artificiale che combina due tecniche; in primo luogo, recupera le informazioni pertinenti da origini esterne, ad esempio database, documenti o il Web. Una volta raccolte, queste informazioni vengono usate per informare e migliorare la generazione delle risposte. Questo approccio sfrutta i punti di forza delle tecniche di recupero e generazione, assicurandosi che le risposte siano accurate, pertinenti e contestualmente arricchite dalle informazioni più aggiornate e specifiche disponibili. Questa doppia funzionalità consente ai sistemi RAG di produrre output più informati e sfumati rispetto ai modelli puramente generativi.

RAG è basato sui primi sistemi di recupero delle informazioni di base. A mano a mano che si sviluppano tecnologie di intelligenza artificiale generative rapidamente avanzate e generative come GPT-2 e BERT, la necessità di risposte più accurate e pertinenti è aumentata.   Nel 2020 è stata introdotta l'architettura RAG, che segna un miglioramento significativo. L'uso di apprendimento automatico per combinare moduli di recupero e generatore che integrano le knowledge base interne di LLM con origini esterne di gruppi di disponibilità delle informazioni è stato in grado di produrre testo più accurato, aggiornato, coerente e contestualmente accurato.   Con Deep Learning di base, i modelli RAG possono essere sottoposti a training end-to-end, consentendo output che ottimizzano le risposte, migliorando la qualità del contenuto generato a mano a mano che il modello apprende a recuperare le informazioni più affidabili e contestualmente utili.

RAG svolge un ruolo fondamentale nel far avanzare le funzionalità di intelligenza artificiale, riflettendo una tendenza verso sistemi più intelligenti e compatibili con il contesto che possono combinare in modo efficace grandi quantità di informazioni con funzionalità di generazione sofisticate. Ecco i motivi principali per cui RAG è fondamentale per l'intelligenza artificiale:

 

• Accuratezza bilanciata: Grazie all'integrazione di origini di conoscenze esterne, RAG migliora significativamente l'accuratezza e la pertinenza delle risposte generate dai LLM.

• Pertinenza contestuale: RAG consente ai sistemi di intelligenza artificiale di generare risposte più appropriate dal contesto recuperando informazioni specifiche correlate alla richiesta.
  
  
• Efficienza a livello di costi: L'implementazione di RAG è più efficiente rispetto alla ripetizione dell'addestramento continua di LLM con nuovi dati. 
  
  
• Trasparenza: Fornendo le origini per le informazioni usate nelle risposte, RAG migliora la attendibilità e la fiducia.
   
• Versatilità: RAG può essere applicato in diversi settori, ad esempio settore sanitario, dell'istruzione e finanziario, e per scopi quali il servizio clienti, la ricerca e la creazione di contenuti.
  
  
• Miglioramento dell'esperienza: Fornendo risposte più accurate e pertinenti, la tecnologia RAG consente interazioni più soddisfacenti e produttive per gli utenti.

 

L'architettura dei sistemi RAG è una combinazione di due moduli principali più un meccanismo di fusione che interagiscono per produrre output accurati e pertinenti a livello contestuale. I moduli RAG possono essere sottoposti a training end-to-end, consentendo all'algoritmo di ottimizzare il recupero e la generazione in collaborazione, ottenendo un risultato più informato e affidabile.

Ecco come funziona l'architettura RAG:

Il modulo retriever cerca in un set di dati di grandi dimensioni le informazioni più rilevanti in base alla query.

Dopo il recupero, il modulo generatore usa le informazioni recuperate come contesto aggiuntivo per generare una risposta coerente e pertinente. In genere, i moduli del generatore sono un modello linguistico con training preliminare, ad esempio un trasformatore generativo con training preliminare (GPT) o trasformatori bidirezionali e auto-regressivi (TRANSFORMER) ottimizzati per generare testo in base all'input e alle informazioni recuperate.

Il meccanismo fusion garantisce che le informazioni recuperate vengano effettivamente combinate nel processo generativo. Questa interazione tra i moduli consente ai sistemi RAG di produrre contenuto più informato e affidabile basando la generazione nelle conoscenze recuperate. 

Recupero della generazione aumentata è impostato per svolgere un ruolo fondamentale nel futuro delle operazioni LLM, migliorando l'integrazione dei processi di recupero e generazione. I miglioramenti previsti in quest'area consentiranno una fusione più semplice e sofisticata di questi componenti, consentendo ai LLM di fornire output estremamente accurati e contestualmente pertinenti in una gamma più ampia di applicazioni e settori.

A mano a mano che RAG continua a evolversi, è possibile anticiparne l'adozione in nuovi domini, ad esempio l'istruzione personalizzata, in cui può personalizzare le esperienze di apprendimento in base alle esigenze individuali e strumenti di ricerca avanzati, offrendo un recupero delle informazioni preciso e completo per richieste complesse.

La risoluzione delle limitazioni correnti, ad esempio il miglioramento dell'accuratezza del recupero e la riduzione delle distorsioni, sarà fondamentale per ottimizzare il potenziale dei sistemi RAG. È probabile che le iterazioni future di RAG presentino sistemi più interattivi e compatibili con il contesto, migliorando le esperienze utente adattandosi dinamicamente agli input degli utenti.

Inoltre, lo sviluppo di modelli RAG multimodali, che usano visione artificiale per integrare testo, immagini e altri tipi di dati, si espanderà e aprirà ancora più possibilità, rendendo i LLM più versatili e potenti che mai.