እራስ-RAG እና አንጸባራቂ መልሶ ማግኘት
እራስ-RAG የቋንቋ ሞዴል መቼ እንደሚወጣ የሚወስንበት፣ ከዚያም የተገኙትን ምንባቦች እና የራሱን ውፅዓት ልዩ ነጸብራቅ ምልክቶችን በመጠቀም የሚተችበት ማዕቀፍ ነው።
አጠቃላይ እይታ
It matters because it makes retrieval-augmented generation adaptive and self-checking instead of blindly fetching documents for every query.
ጥልቅ ዳይቭ
መደበኛ RAG ለእያንዳንዱ ግቤት ቋሚ የቁጥር ምንባቦችን ሰርስሮ ያወጣል፣ ምንም እንኳን አስፈላጊ በማይሆንበት ጊዜም፣ እና መልሱ በትክክል መደገፉን በፍፁም አያረጋግጥም። እ.ኤ.አ. በ2023 በአሳይ እና ባልደረቦች የተዋወቀው ራስን-RAG አንድ ነጠላ ሞዴል ሶስት ነገሮችን በፍላጎት ለመስራት ያሠለጥናል። በመጀመሪያ፣ ውጫዊ ዕውቀት በጭራሽ እንደሚያስፈልግ የሚወስን 'የመልሶ ማግኛ' ምልክት ያወጣል። ሁለተኛ፣ ሰርስሮ ከወጣ በኋላ፣ እያንዳንዱ ምንባብ ይረዳ እንደሆነ የሚፈርድ 'IsRelevant' የትችት ምልክቶችን ያወጣል። ሦስተኛ፣ የራሱ መግለጫዎች በማስረጃው ላይ የተመሰረቱ መሆናቸውን እና ምላሹ ምን ያህል ጥሩ እንደሆነ በመገምገም 'የተደገፈ' እና 'አይጠቅምም' ምልክቶችን ይፈጥራል። እነዚህ ነጸብራቅ ቶከኖች ስርዓቱ ዋስትና ሲሰጥ ብቻ ሰርስሮ እንዲያወጣ ያስችለዋል፣ የማይመለከቷቸውን ምንባቦች ያጣሩ እና ሞዴሉ ራሱ በጥሩ ሁኔታ የተደገፈ ደረጃ የሚሰጣቸውን ውጤቶች ይመርጣሉ፣ ይህም ቅዠትን ይቀንሳል።
ቴክኒካዊ ግንዛቤ
እራስ-RAG የሰለጠነው በክትትል በመማር ከ ነጸብራቅ ቶከኖች ጋር በተለጠፈ፣ ብዙ ጊዜ እንደ GPT-4 ካለው ጠንካራ ሞዴል ነው። በማጣቀሻው ላይ, ሞዴሉ በእነዚህ ልዩ የቁጥጥር ምልክቶች አማካኝነት ተራ የጽሑፍ ምልክቶችን ያቋርጣል. የክፍፍል-ደረጃ ጨረር ፍለጋ የእጩዎችን ቀጣይ የትችት ቶከኖች ፕሮባቢሊቲ ውጤት ያስመዘግባል፣ ይህም ገንቢዎች በሂደት ጊዜ ባህሪን እንዲቃኙ ያስችላቸዋል - ለምሳሌ፣ 'የተደገፈ'ን በይበልጥ ማመዛዘን ከእውነታው ጋር መያያዝን እና ቅልጥፍናን ከፍ ለማድረግ።
ስልታዊ ተጽእኖ
ፍጥነት እና ልኬት
የቋንቋ የስራ ፍሰቶች ወጥነትን ሳያጠፉ በፍጥነት ሊንቀሳቀሱ ይችላሉ።
መድረስ እና መድረስ
በቋንቋዎች እና በመግባቢያ ዘይቤዎች ተደራሽነትን ያሰፋዋል።
ግልጽ ውሳኔዎች
አውቶሜሽን ድግግሞሹን ሲቆጣጠር ቡድኖች በፍርድ ላይ ብዙ ጊዜ ሊያጠፉ ይችላሉ።
የወደፊት እራስ-RAG እና አንጸባራቂ መልሶ ማግኛ
አንጸባራቂ ሰርስሮ ማውጣት ከኤጀንሲ RAG ጋር እየተጣመረ ነው፣ ሞዴሎች ባለብዙ ደረጃ ፍለጋዎችን፣ የጥሪ መሳሪያዎችን እና በድግግሞሾች ላይ እራሳቸውን የሚያርሙበት። ራስን ትችት ከአረጋጋጭ ሞዴሎች ጋር ጠንከር ያለ ውህደትን፣ በእውቀት ግራፎች ላይ ሰርስሮ ማውጣት እና ታማኝ እና በሚገባ የተጠቀሱ መልሶችን የሚክስ የማጠናከሪያ ትምህርት ይጠብቁ። የማመዛዘን ሞዴሎች እያደጉ ሲሄዱ፣ በፍላጎት እና በራስ የተገመገመ ሰርስሮ ማውጣት ከተለየ ማዕቀፍ ይልቅ ነባሪ ባህሪ ሊሆን ይችላል፣ ሞዴሉ እያንዳንዱ የይገባኛል ጥያቄ ምን ያህል እንደሚያስፈልግ በተለዋዋጭ ይወስናል።
የእውነተኛ-ዓለም አተገባበር
የሕክምና የጥያቄ እና መልስ ረዳት ለክሊኒካዊ ጥያቄዎች ብቻ መመሪያዎችን ያወጣል እና ለሰላምታ መልሶ ማግኘትን የ'የመውሰድ' የውሳኔ ቶከንን በመጠቀም ይዘልላል።
የጥናት ረዳት ከመጻፍዎ በፊት የእያንዳንዱን ምንባብ 'IsRelevant' ትችት በማጣራት ከርዕስ ውጪ የፍለጋ ውጤቶችን ያጣራል።
የኢንተርፕራይዝ ቻትቦት 'ተደገፈ' የሚል መለያ የተሰጣቸውን መልሶች ይመርጣል ስለዚህ መግለጫዎቹ በኩባንያው ሰነዶች ላይ የተመሰረቱ ሆነው ቅዠቶችን ይቆርጣሉ።
የእውነታ መፈተሻ መሳሪያ የበርካታ እጩ ምላሾችን ደረጃ ለመስጠት እና በጣም የተረጋገጠውን ለማሳየት 'IsUseful' ነጥብ ይጠቀማል።
አደጋዎች እና የጥበቃ መንገዶች
የተሳሳቱ እውነታዎች በጸጥታ ወደ ሪፖርቶች፣ የድጋፍ ፍሰቶች ወይም የምርምር ውጤቶችን ማስገባት ይችላሉ።
ፈጣን ትብነት በተመሳሳይ ጥያቄዎች ላይ የማይጣጣሙ ውጤቶችን ሊፈጥር ይችላል።
የመዳረሻ መቆጣጠሪያዎች ደካማ ከሆኑ ሚስጥራዊነት ያለው የጽሑፍ ውሂብ ሊጋለጥ ይችላል።
የትግበራ ፍኖተ ካርታ
ከመልቀቅዎ በፊት የውጤት ቅርጸትን፣ ድምጽን እና የጥራት ደረጃዎችን ይግለጹ።
ትክክለኛነት አስፈላጊ በሚሆንበት ጊዜ ሁሉ ከታመኑ ምንጮች ጋር ምላሾች።
ከፍተኛ ውጤት ለማግኘት የሰው የግምገማ ነጥብ አቆይ።
የውድቀት ንድፎችን ይከታተሉ እና ጥያቄዎችን ወይም የስራ ፍሰቶችን በመደበኛነት ያሠለጥኑ።
ማሰስዎን ይቀጥሉ
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Self-RAG and Reflective Retrieval quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
ቀጣይ መመሪያ
ግምታዊ RAG እና መልሶ ማግኛ-የተሻሻለ ረቂቅ
በተደጋጋሚ የሚጠየቁ ጥያቄዎች
What is Self-RAG and Reflective Retrieval?
እራስ-RAG የቋንቋ ሞዴል መቼ እንደሚወጣ የሚወስንበት፣ ከዚያም የተገኙትን ምንባቦች እና የራሱን ውፅዓት ልዩ ነጸብራቅ ምልክቶችን በመጠቀም የሚተችበት ማዕቀፍ ነው። ለእያንዳንዱ ጥያቄ ሰነዶችን በጭፍን ከማምጣት ይልቅ ሰርስሮ የጨመረው ትውልድ እንዲላመድ እና እራሱን እንዲፈትሽ ስለሚያደርግ አስፈላጊ ነው።
ራስ-RAG ያንን መደበኛ RAG የማያደርገው ምን ቁልፍ ውሳኔ ነው?
ራስ-RAG ሁልጊዜ ሰርስሮ ከማውጣት ይልቅ የውጭ ሰነዶች ያስፈልጉ እንደሆነ ለመወሰን 'የመልሶ ማግኛ' ቶከን ያወጣል።
በራስ-RAG ውስጥ 'የነጸብራቅ ምልክቶች' ምንድናቸው?
እንደ IsRelevant፣ IsSupported እና IsUseful ያሉ የነጸብራቅ ምልክቶች ሞዴሉ የትችት ምንባቦችን እና የራሱ ውፅዓት ይሁን።
የትኛው ነጸብራቅ ማስመሰያ የመነጨ መግለጫ በተገኘው ማስረጃ ላይ የተመሰረተ መሆኑን ይገመግማል?
የ IsSupported token የአምሳያው የይገባኛል ጥያቄ በእውነቱ በተገኙት ምንባቦች የተደገፈ እንደሆነ ይገመግማል፣ ይህም ቅዠትን ለመቀነስ ይረዳል።
የራስ-RAG ሞዴል በተለምዶ ነጸብራቅ ቶከኖችን ለማምረት የሰለጠነው እንዴት ነው?
እራስ-RAG ከስልጠና መረጃ ይማራል በማንፀባረቅ ቶከኖች የተብራራ፣ ብዙ ጊዜ ይበልጥ ብቃት ባለው መምህር ሞዴል እንደ GPT-4።
ለእያንዳንዱ ምንባብ 'IsRelevant' ትችት ማውጣቱ ምን ጥቅም ያስገኛል?
የእያንዳንዱን ምንባብ አግባብነት በመተቸት፣ ራስ-RAG ከርዕስ ውጪ የተደረጉ መልሶችን ወደ መልሱ ውስጥ ከማስገባት ይልቅ ችላ ማለት ይችላል።