Преглед
Self-RAG е рамка, в която езиков модел решава кога да извлече, след което критикува както извлечените пасажи, така и собствения си изход, използвайки специални токени за отразяване. Има значение, защото прави адаптивно и самопроверяващо се генериране с извличане, вместо сляпо извличане на документи за всяка заявка.
Self-RAG и Reflective Retrieval е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб.
Дълбоко гмуркане
Стандартният RAG извлича фиксиран брой пасажи за всеки вход, дори когато не са необходими, и никога не проверява дали отговорът действително се поддържа. Self-RAG, представен от Asai и колеги през 2023 г., обучава един модел да прави три неща при поискване. Първо, той излъчва токен за „извличане“, решавайки дали изобщо е необходимо външно знание. Второ, след извличане, той издава токени за критика „IsRelevant“, като преценява дали всеки пасаж помага. Трето, той генерира токени „IsSupported“ и „IsUseful“, като оценява дали собствените му изявления се основават на доказателствата и колко добър е отговорът. Тези токени за отражение позволяват на системата да извлича само когато е оправдано, филтрира неуместни пасажи и предпочита изходи, които самият модел оценява като добре поддържани, намалявайки халюцинациите.
Техническа информация
Self-RAG се обучава чрез контролирано обучение върху данни, маркирани с отразяващи токени, често дестилирани от по-силен модел като GPT-4. При извод моделът преплита обикновени текстови токени с тези специални контролни токени. Търсенето на лъч на ниво сегмент може след това да отбележи продължавания на кандидатите, използвайки вероятностите на критичните токени, позволявайки на разработчиците да настройват поведението по време на изпълнение – например, претегляйки по-силно „IsSupported“, за да увеличат максимално фактическата основа спрямо плавността.
Овладяване на Self-RAG и Reflective Retrieval
Self-RAG е рамка, в която езиков модел решава кога да извлече, след което критикува както извлечените пасажи, така и собствения си изход, използвайки специални токени за отразяване. Има значение, защото прави адаптивно и самопроверяващо се генериране с извличане, вместо сляпо извличане на документи за всяка заявка. Self-RAG и Reflective Retrieval е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб. За да изградите дълбоко разбиране, третирайте Self-RAG и Reflective Retrieval като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно от това, което все още изисква експертна преценка.
На практика, силни екипи, използващи Self-RAG и Reflective Retrieval, проектират подкани, извличане и цикли за преглед като една интегрирана комуникационна система. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. В същото време халюцинираните факти могат тихо да влизат в отчети, поддържащи потоци или резултати от изследвания. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Той разширява достъпа между езици и стилове на комуникация.
Той разширява достъпа между езици и стилове на комуникация. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
Медицинският асистент за въпроси и отговори извлича насоки само за клинични въпроси и пропуска извличането за поздрави, използвайки своя токен за решение „извличане“.
Помощник-изследовател филтрира попаденията при търсене извън темата, като проверява критиката „Е релевантно“ на всеки пасаж, преди да пише.
Корпоративен чатбот предпочита отговори с етикет „IsSupported“, така че изявленията му да останат основани на документите на компанията, премахвайки халюцинациите.
Инструмент за проверка на факти използва резултата „IsUseful“, за да класира отговорите на множество кандидати и да покаже най-добре доказания.
Модели на изпълнение
Self-RAG и Reflective Retrieval на практика
Медицинският асистент за въпроси и отговори извлича насоки само за клинични въпроси и пропуска извличането за поздрави, използвайки своя токен за решение „извличане“.
Медицинският асистент за въпроси и отговори извлича насоки само за клинични въпроси и пропуска извличането за поздравления, използвайки своя токен за решение „извличане“. Екипите обикновено получават по-добри резултати, когато определят праговете на качеството предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Self-RAG и Reflective Retrieval на практика
Помощник-изследовател филтрира попаденията при търсене извън темата, като проверява критиката „Е релевантно“ на всеки пасаж, преди да пише.
Помощник-изследовател филтрира търсения извън темата, като проверява критиката „Is Relevant“ на всеки пасаж, преди да напише. Екипите обикновено получават по-добри резултати, когато определят праговете за качество предварително, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Self-RAG и Reflective Retrieval на практика
Корпоративен чатбот предпочита отговори с етикет „IsSupported“, така че изявленията му да останат основани на документите на компанията, премахвайки халюцинациите.
Корпоративен чатбот предпочита отговори с етикет „IsSupported“, така че изявленията му да останат основани на фирмените документи, премахвайки халюцинациите. Екипите обикновено получават по-добри резултати, когато предварително определят праговете за качество, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Self-RAG и Reflective Retrieval на практика
Инструмент за проверка на факти използва резултата „IsUseful“, за да класира отговорите на множество кандидати и да покаже най-добре доказания.
Инструментът за проверка на факти използва резултата „IsUseful“, за да класира отговорите на множество кандидати и да изведе наяве най-добре доказаният. Екипите обикновено получават по-добри резултати, когато предварително определят праговете за качество, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Халюцинираните факти могат тихо да влязат в отчети, потоци за поддръжка или резултати от изследвания.
Бързата чувствителност може да създаде противоречиви резултати при подобни заявки.
Чувствителните текстови данни могат да бъдат разкрити, ако контролите за достъп са слаби.
Пътна карта за изпълнение
Определете изходен формат, тон и стандарти за качество преди внедряване.
Определете изходен формат, тон и стандарти за качество преди внедряване. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Наземни отговори с доверени източници винаги, когато точността има значение.
Наземни отговори с доверени източници винаги, когато точността има значение. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Поддържайте контролна точка за човешки преглед за изходи с високи залози.
Поддържайте контролна точка за човешки преглед за изходи с високи залози. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.