স্ব-RAG এবং প্রতিফলিত পুনরুদ্ধার
Self-RAG হল একটি কাঠামো যেখানে একটি ভাষা মডেল সিদ্ধান্ত নেয় কখন পুনরুদ্ধার করতে হবে, তারপর বিশেষ প্রতিফলন টোকেন ব্যবহার করে পুনরুদ্ধার করা প্যাসেজ এবং নিজস্ব আউটপুট উভয়েরই সমালোচনা করে।
ওভারভিউ
এটি গুরুত্বপূর্ণ কারণ এটি প্রতিটি প্রশ্নের জন্য অন্ধভাবে নথি আনার পরিবর্তে পুনরুদ্ধার-বর্ধিত প্রজন্মের অভিযোজিত এবং স্ব-পরীক্ষা করে তোলে।
গভীর ডুব
স্ট্যান্ডার্ড RAG প্রতিটি ইনপুটের জন্য একটি নির্দিষ্ট সংখ্যক প্যাসেজ পুনরুদ্ধার করে, এমনকি যখন কোনটির প্রয়োজন হয় না, এবং উত্তরটি আসলে সমর্থিত কিনা তা যাচাই করে না। 2023 সালে Asai এবং সহকর্মীদের দ্বারা প্রবর্তিত Self-RAG, চাহিদা অনুযায়ী তিনটি জিনিস করার জন্য একটি একক মডেলকে প্রশিক্ষণ দেয়। প্রথমত, এটি একটি 'পুনরুদ্ধার' টোকেন নির্গত করে যা সিদ্ধান্ত নেয় যে বাহ্যিক জ্ঞান আদৌ প্রয়োজন কিনা। দ্বিতীয়ত, পুনরুদ্ধার করার পরে, এটি প্রতিটি প্যাসেজ সাহায্য করে কিনা তা বিচার করে 'IsRelevant' সমালোচনা টোকেন জারি করে। তৃতীয়ত, এটি 'IsSupported' এবং 'IsUseful' টোকেন তৈরি করে যা এর নিজস্ব বিবৃতি প্রমাণের ভিত্তিতে রয়েছে কিনা এবং প্রতিক্রিয়া কতটা ভাল তা মূল্যায়ন করে। এই প্রতিফলন টোকেনগুলি সিস্টেমকে শুধুমাত্র তখনই পুনরুদ্ধার করতে দেয় যখন নিশ্চিত হয়, অপ্রাসঙ্গিক প্যাসেজগুলি ফিল্টার করে এবং আউটপুটগুলিকে পছন্দ করে যা মডেল নিজেই ভাল-সমর্থিত হিসাবে রেট দেয়, হ্যালুসিনেশন হ্রাস করে।
প্রযুক্তিগত অন্তর্দৃষ্টি
সেলফ-আরএজি প্রতিফলন টোকেন সহ লেবেলযুক্ত ডেটার উপর তত্ত্বাবধানে শিক্ষার মাধ্যমে প্রশিক্ষিত হয়, প্রায়শই GPT-4 এর মতো শক্তিশালী মডেল থেকে পাতিত হয়। অনুমানে, মডেলটি এই বিশেষ কন্ট্রোল টোকেনগুলির সাথে সাধারণ টেক্সট টোকেনগুলিকে ইন্টারলিভ করে। একটি সেগমেন্ট-স্তরের বীম অনুসন্ধান তারপরে ক্রিটিক টোকেনগুলির সম্ভাব্যতা ব্যবহার করে প্রার্থীর ধারাবাহিকতা স্কোর করতে পারে, যা বিকাশকারীদের রান টাইমে আচরণের সুর করতে দেয় — উদাহরণস্বরূপ, বাস্তবিক গ্রাউন্ডিং বনাম সাবলীলতা সর্বাধিক করার জন্য 'IsSupported' কে আরও বেশি ওজন করা।
কৌশলগত প্রভাব
গতি এবং স্কেল
ভাষার কর্মপ্রবাহ ধারাবাহিকতাকে ত্যাগ না করে দ্রুত অগ্রসর হতে পারে।
অ্যাক্সেস এবং পৌঁছানো
এটি ভাষা এবং যোগাযোগ শৈলী জুড়ে অ্যাক্সেস প্রসারিত করে।
সুস্পষ্ট সিদ্ধান্ত
অটোমেশন পুনরাবৃত্তি পরিচালনা করার সময় দলগুলি বিচারে আরও বেশি সময় ব্যয় করতে পারে।
স্ব-RAG এবং প্রতিফলিত পুনরুদ্ধারের ভবিষ্যত
প্রতিফলিত পুনরুদ্ধার এজেন্টিক RAG এর সাথে রূপান্তরিত হচ্ছে, যেখানে মডেলগুলি বহু-পদক্ষেপ অনুসন্ধান, কল সরঞ্জাম এবং পুনরাবৃত্তি জুড়ে স্ব-সঠিক পরিকল্পনা করে। যাচাইকারী মডেলগুলির সাথে স্ব-সমালোচনার কঠোর সংহতকরণ, জ্ঞানের গ্রাফের উপর পুনরুদ্ধার এবং বিশ্বস্ত, ভাল-উদ্ধৃত উত্তরগুলিকে পুরস্কৃত করে এমন শক্তিবৃদ্ধি শেখার আশা করুন। যুক্তির মডেলগুলি পরিণত হওয়ার সাথে সাথে, চাহিদা অনুযায়ী এবং স্ব-মূল্যায়িত পুনরুদ্ধার একটি পৃথক কাঠামোর পরিবর্তে একটি ডিফল্ট আচরণে পরিণত হতে পারে, মডেলটি গতিশীলভাবে সিদ্ধান্ত নেয় যে প্রতিটি দাবির জন্য কতটা প্রমাণ প্রয়োজন।
বাস্তব-বিশ্ব বাস্তবায়ন
একজন মেডিকেল প্রশ্নোত্তর সহকারী শুধুমাত্র ক্লিনিকাল প্রশ্নগুলির জন্য নির্দেশিকা পুনরুদ্ধার করে এবং তার 'পুনরুদ্ধার' সিদ্ধান্তের টোকেন ব্যবহার করে শুভেচ্ছার জন্য পুনরুদ্ধার এড়িয়ে যায়।
একজন গবেষণা সহকারী লেখার আগে প্রতিটি প্যাসেজের 'IsRelevant' সমালোচনা চেক করে অফ-টপিক সার্চ হিট ফিল্টার করে।
একটি এন্টারপ্রাইজ চ্যাটবট 'IsSupported' ট্যাগ করা উত্তর পছন্দ করে যাতে এর বিবৃতিগুলি কোম্পানির নথিতে স্থির থাকে, হ্যালুসিনেশন কাটতে পারে।
একটি ফ্যাক্ট-চেকিং টুল 'IsUseful' স্কোর ব্যবহার করে একাধিক প্রার্থীর উত্তরকে র্যাঙ্ক করতে এবং সেরা-প্রমাণযুক্ত একটিকে সারফেস করে।
ঝুঁকি এবং প্রহরী
হ্যালুসিনেটেড ফ্যাক্টগুলি শান্তভাবে রিপোর্ট, সমর্থন প্রবাহ, বা গবেষণা আউটপুট প্রবেশ করতে পারে।
প্রম্পট সংবেদনশীলতা অনুরূপ অনুরোধ জুড়ে অসামঞ্জস্যপূর্ণ ফলাফল তৈরি করতে পারে।
অ্যাক্সেস কন্ট্রোল দুর্বল হলে সংবেদনশীল পাঠ্য ডেটা উন্মুক্ত হতে পারে।
বাস্তবায়ন রোডম্যাপ
রোলআউট করার আগে আউটপুট ফর্ম্যাট, টোন এবং মানের মান নির্ধারণ করুন।
যখনই নির্ভুলতা গুরুত্বপূর্ণ তখন বিশ্বস্ত উত্সের সাথে গ্রাউন্ড প্রতিক্রিয়া।
উচ্চ-স্টেকের আউটপুটগুলির জন্য একটি মানব পর্যালোচনা চেকপয়েন্ট রাখুন।
ব্যর্থতার নিদর্শনগুলি ট্র্যাক করুন এবং প্রম্পট বা ওয়ার্কফ্লোগুলিকে নিয়মিতভাবে পুনরায় প্রশিক্ষণ দিন।
অন্বেষণ চালিয়ে যান
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
পরবর্তী গাইড
অনুমানমূলক RAG এবং পুনরুদ্ধার-অগমেন্টেড ড্রাফটিং
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
স্ব-আরএজি এবং প্রতিফলিত পুনরুদ্ধার কী?
Self-RAG হল একটি কাঠামো যেখানে একটি ভাষা মডেল সিদ্ধান্ত নেয় কখন পুনরুদ্ধার করতে হবে, তারপর বিশেষ প্রতিফলন টোকেন ব্যবহার করে পুনরুদ্ধার করা প্যাসেজ এবং নিজস্ব আউটপুট উভয়েরই সমালোচনা করে। এটি গুরুত্বপূর্ণ কারণ এটি প্রতিটি প্রশ্নের জন্য অন্ধভাবে নথি আনার পরিবর্তে পুনরুদ্ধার-বর্ধিত প্রজন্মকে অভিযোজিত এবং স্ব-পরীক্ষা করে তোলে।
স্ব-RAG কোন মূল সিদ্ধান্ত নেয় যে স্ট্যান্ডার্ড RAG করে না?
স্ব-RAG একটি 'পুনরুদ্ধার' টোকেন নির্গত করে যা সর্বদা পুনরুদ্ধার না করে, বহিরাগত নথিগুলির প্রয়োজন কিনা তা সিদ্ধান্ত নিতে।
স্ব-RAG-তে 'প্রতিফলন টোকেন' কি?
প্রতিফলন টোকেন যেমন IsRelevant, IsSupported, এবং IsUseful মডেল সমালোচনা প্যাসেজ এবং তার নিজস্ব আউটপুট দেয়।
কোন প্রতিফলন টোকেন মূল্যায়ন করে যে একটি উত্পন্ন বিবৃতি পুনরুদ্ধার করা প্রমাণের ভিত্তিতে রয়েছে কিনা?
IsSupported টোকেন বিচার করে যে মডেলের দাবি প্রকৃতপক্ষে পুনরুদ্ধার করা অনুচ্ছেদের দ্বারা সমর্থিত কিনা, হ্যালুসিনেশন কমাতে সাহায্য করে।
কিভাবে একটি স্ব-RAG মডেল সাধারণত প্রতিফলন টোকেন তৈরি করতে প্রশিক্ষিত হয়?
স্ব-RAG প্রতিফলন টোকেন সহ টীকা করা প্রশিক্ষণ ডেটা থেকে শেখে, প্রায়শই জিপিটি-4 এর মতো আরও দক্ষ শিক্ষক মডেল দ্বারা তৈরি হয়।
প্রতিটি অনুচ্ছেদের জন্য একটি 'প্রাসঙ্গিক' সমালোচনা নির্গত করা কোন সুবিধা প্রদান করে?
প্রতিটি প্যাসেজের প্রাসঙ্গিকতার সমালোচনা করে, সেলফ-আরএজি উত্তরে স্টাফ করার পরিবর্তে অফ-টপিক পুনরুদ্ধারগুলিকে উপেক্ষা করতে পারে।