RAG الذاتي والاسترجاع العاكس
Self-RAG هو إطار عمل حيث يقرر نموذج اللغة متى يتم استرجاعه، ثم ينتقد كلاً من المقاطع المستردة ومخرجاته باستخدام رموز انعكاس خاصة.
نظرة عامة
It matters because it makes retrieval-augmented generation adaptive and self-checking instead of blindly fetching documents for every query.
الغوص العميق
يسترد Standard RAG عددًا ثابتًا من المقاطع لكل إدخال، حتى في حالة عدم الحاجة إلى أي منها، ولا يتحقق أبدًا مما إذا كانت الإجابة مدعومة بالفعل. يقوم نظام Self RAG، الذي قدمه Asai وزملاؤه في عام 2023، بتدريب نموذج واحد للقيام بثلاثة أشياء عند الطلب. أولاً، يقوم بإصدار رمز "استرجاع" مميز لتحديد ما إذا كانت هناك حاجة إلى معرفة خارجية على الإطلاق. ثانيًا، بعد الاسترداد، يصدر رموزًا نقدية "IsRelevant" للحكم على ما إذا كان كل فقرة مفيدة أم لا. ثالثًا، يقوم بإنشاء رموز "IsSupported" و"IsUseful" لتقييم ما إذا كانت تصريحاته مستندة إلى الأدلة ومدى جودة الاستجابة. تسمح رموز الانعكاس هذه للنظام بالاسترداد فقط عند الضرورة، وتصفية المقاطع غير ذات الصلة، وتفضيل المخرجات التي يصنفها النموذج نفسه على أنها مدعومة جيدًا، مما يقلل من الهلوسة.
البصيرة الفنية
يتم تدريب Self-RAG من خلال التعلم الخاضع للإشراف على البيانات المصنفة برموز الانعكاس، والتي غالبًا ما يتم استخلاصها من نموذج أقوى مثل GPT-4. عند الاستدلال، يقوم النموذج بتشذير رموز النص العادية مع رموز التحكم الخاصة هذه. يمكن للبحث الشعاعي على مستوى المقطع تسجيل استمراريات المرشح باستخدام احتمالات الرموز المميزة للنقد، مما يسمح للمطورين بضبط السلوك في وقت التشغيل - على سبيل المثال، ترجيح "IsSupported" بشكل أكبر لتحقيق أقصى قدر من التأريض الواقعي مقابل الطلاقة.
التأثير الاستراتيجي
السرعة والحجم
يمكن أن تتحرك مسارات عمل اللغة بشكل أسرع دون التضحية بالاتساق.
الوصول والوصول
فهو يوسع الوصول عبر اللغات وأنماط الاتصال.
قرارات أوضح
يمكن للفرق قضاء المزيد من الوقت في الحكم بينما تتعامل الأتمتة مع التكرار.
مستقبل RAG الذاتي والاسترجاع العاكس
يتقارب الاسترجاع الانعكاسي مع RAG الوكيل، حيث تخطط النماذج لعمليات بحث متعددة الخطوات، وأدوات الاتصال، والتصحيح الذاتي عبر التكرارات. توقع تكاملًا أكثر إحكامًا للنقد الذاتي مع نماذج التحقق، واسترجاع الرسوم البيانية المعرفية، والتعلم المعزز الذي يكافئ الإجابات الأمينة والمستشهد بها جيدًا. مع نضوج نماذج الاستدلال، من المرجح أن يصبح الاسترجاع عند الطلب والتقييم الذاتي سلوكًا افتراضيًا وليس إطارًا منفصلاً، حيث يقرر النموذج ديناميكيًا مقدار الأدلة التي يتطلبها كل ادعاء.
التنفيذ في العالم الحقيقي
يقوم مساعد الأسئلة والأجوبة الطبية باسترداد الإرشادات الخاصة بالأسئلة السريرية فقط ويتخطى الاسترداد للتحيات، وذلك باستخدام رمز القرار "الاسترداد" الخاص به.
يقوم مساعد البحث بتصفية نتائج البحث خارج الموضوع عن طريق التحقق من نقد "هل هو ذو صلة" لكل مقطع قبل الكتابة.
يفضل برنامج الدردشة الآلي الخاص بالمؤسسة الإجابات التي تحمل علامة "IsSupported" بحيث تظل بياناته مستندة إلى مستندات الشركة، مما يقلل من الهلوسة.
تستخدم أداة التحقق من صحة المعلومات درجة "IsUseful" لتصنيف إجابات المرشحين المتعددة وإظهار الإجابات الأفضل إثباتًا.
المخاطر والدرابزين
يمكن للحقائق المهلوسة إدخال التقارير أو تدفقات الدعم أو مخرجات البحث بهدوء.
يمكن أن تؤدي الحساسية السريعة إلى نتائج غير متناسقة عبر الطلبات المماثلة.
قد يتم كشف البيانات النصية الحساسة إذا كانت عناصر التحكم في الوصول ضعيفة.
خارطة طريق التنفيذ
حدد تنسيق الإخراج والنغمة ومعايير الجودة قبل بدء التشغيل.
استجابات أرضية من مصادر موثوقة عندما تكون الدقة مهمة.
احتفظ بنقطة تفتيش للمراجعة البشرية للمخرجات عالية المخاطر.
تتبع أنماط الفشل وأعد تدريب المطالبات أو سير العمل بانتظام.
استمر في الاستكشاف
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
الدليل التالي
RAG المضاربة والصياغة المعززة للاسترجاع
الأسئلة المتداولة
What is Self-RAG and Reflective Retrieval?
Self-RAG هو إطار عمل حيث يقرر نموذج اللغة متى يتم استرجاعه، ثم ينتقد كلاً من المقاطع المستردة ومخرجاته باستخدام رموز انعكاس خاصة. إنه أمر مهم لأنه يجعل عملية الاسترجاع المعززة قابلة للتكيف والتحقق الذاتي بدلاً من جلب المستندات بشكل أعمى لكل استعلام.
ما هو القرار الرئيسي الذي تتخذه Self-RAG ولا يتخذه RAG القياسي؟
يقوم Self-RAG بإصدار رمز "استرداد" لتحديد ما إذا كانت هناك حاجة إلى مستندات خارجية عند الطلب، بدلاً من استردادها دائمًا.
ما هي "رموز الانعكاس" في Self-RAG؟
تسمح رموز الانعكاس مثل IsRelevant وIsSupported وIsUseful للنموذج بنقد المقاطع ومخرجاته.
ما هو رمز الانعكاس الذي يقيم ما إذا كان البيان الذي تم إنشاؤه يرتكز على الأدلة المستردة؟
يحدد رمز IsSupported ما إذا كان ادعاء النموذج مدعومًا بالفعل بالمقاطع المسترجعة، مما يساعد على تقليل الهلوسة.
كيف يتم تدريب نموذج RAG الذاتي عادةً لإنتاج رموز الانعكاس؟
يتعلم Self-RAG من بيانات التدريب الموضحة برموز الانعكاس، والتي يتم إنشاؤها بشكل متكرر بواسطة نموذج معلم أكثر قدرة مثل GPT-4.
ما هي الميزة التي يوفرها إصدار نقد "هل هو ذو صلة" لكل مقطع؟
من خلال انتقاد مدى ملاءمة كل مقطع، يمكن لـ Self-RAG تجاهل الاسترجاعات خارج الموضوع بدلاً من حشوها في الإجابة.