Kendi Kendine RAG ve Yansıtıcı Geri Alma
Self-RAG, bir dil modelinin ne zaman geri alınacağına karar verdiği, ardından özel yansıma belirteçleri kullanarak hem alınan pasajları hem de kendi çıktısını eleştirdiği bir çerçevedir.
Genel Bakış
It matters because it makes retrieval-augmented generation adaptive and self-checking instead of blindly fetching documents for every query.
Derin Dalış
Standart RAG, hiçbir girdiye ihtiyaç duyulmasa bile her girdi için sabit sayıda pasaj alır ve cevabın gerçekten desteklenip desteklenmediğini asla doğrulamaz. Asai ve meslektaşları tarafından 2023 yılında tanıtılan Self-RAG, talep üzerine üç şeyi yapacak şekilde tek bir modeli eğitiyor. İlk olarak, harici bilginin gerekli olup olmadığına karar veren bir 'geri alma' jetonu yayar. İkincisi, aldıktan sonra, her pasajın yardımcı olup olmadığına karar veren 'IsRelevant' eleştiri jetonlarını yayınlıyor. Üçüncüsü, kendi beyanlarının kanıtlara dayanıp dayanmadığını ve yanıtın ne kadar iyi olduğunu değerlendiren 'Destekleniyor' ve 'Kullanışlı' belirteçleri üretiyor. Bu yansıma belirteçleri, sistemin yalnızca garanti edildiğinde alınmasına, alakasız pasajların filtrelenmesine ve modelin kendisinin iyi desteklendiğini değerlendirdiği çıktıları tercih etmesine olanak tanıyarak halüsinasyonu azaltır.
Teknik Bilgi
Self-RAG, genellikle GPT-4 gibi daha güçlü bir modelden damıtılmış, yansıma belirteçleriyle etiketlenmiş veriler üzerinde denetimli öğrenme yoluyla eğitilir. Çıkarımda, model sıradan metin belirteçlerini bu özel kontrol belirteçleriyle birleştirir. Segment düzeyinde bir ışın araması, daha sonra eleştiri belirteçlerinin olasılıklarını kullanarak aday devamlılıklarını puanlayabilir ve geliştiricilerin çalışma zamanındaki davranışı ayarlamasına olanak tanır - örneğin, akıcılığa karşı gerçek temeli en üst düzeye çıkarmak için 'Desteklenen'i daha ağır bir şekilde ağırlıklandırabilir.
Stratejik Etki
Speed and scale
Dil iş akışları tutarlılıktan ödün vermeden daha hızlı ilerleyebilir.
Access and reach
Diller ve iletişim tarzları arasında erişimi genişletir.
Daha net kararlar
Otomasyon tekrarlamayı yönetirken ekipler karar vermeye daha fazla zaman ayırabilir.
Self-RAG ve Yansıtıcı Erişimin Geleceği
Yansıtıcı erişim, modellerin çok adımlı aramaları planladığı, araçları çağırdığı ve yinelemeler boyunca kendi kendini düzelttiği aracılı RAG ile birleşiyor. Doğrulayıcı modellerle özeleştirinin daha sıkı entegrasyonunu, bilgi grafikleri üzerinden erişim ve sadık, iyi alıntılanmış yanıtları ödüllendiren pekiştirmeli öğrenmeyi bekleyebilirsiniz. Akıl yürütme modelleri olgunlaştıkça, talep üzerine ve kendi kendini değerlendiren erişim, ayrı bir çerçeve yerine varsayılan bir davranış haline gelebilir; model, her bir iddianın ne kadar kanıt gerektirdiğine dinamik olarak karar verir.
Gerçek Dünya Uygulaması
Tıbbi Soru-Cevap asistanı, yalnızca klinik sorular için kılavuzları alır ve 'geri alma' karar belirtecini kullanarak selamlama için almayı atlar.
Bir araştırma asistanı, yazmadan önce her pasajın 'İlgili' eleştirisini kontrol ederek konu dışı arama sonuçlarını filtreler.
Kurumsal bir sohbet robotu, 'Destekleniyor' etiketli yanıtları tercih ediyor, böylece ifadeleri şirket belgelerine dayalı kalarak halüsinasyonları azaltıyor.
Bir doğruluk kontrol aracı, birden fazla aday yanıtını sıralamak ve en iyi kanıtlanmış yanıtı ortaya çıkarmak için "IsFaydalı" puanını kullanır.
Riskler ve Korkuluklar
Halüsinasyonlu gerçekler sessizce raporlara, destek akışlarına veya araştırma çıktılarına girebilir.
İstem hassasiyeti, benzer istekler arasında tutarsız sonuçlar yaratabilir.
Erişim kontrolleri zayıfsa hassas metin verileri açığa çıkabilir.
Uygulama Yol Haritası
Kullanıma sunmadan önce çıktı formatını, tonunu ve kalite standartlarını tanımlayın.
Doğruluğun önemli olduğu durumlarda güvenilir kaynaklarla zemin müdahaleleri.
Yüksek riskli çıktılar için insan incelemesi kontrol noktası bulundurun.
Arıza modellerini takip edin ve istemleri veya iş akışlarını düzenli olarak yeniden eğitin.
Keşfetmeye Devam Edin
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
Next guide
Spekülatif RAG ve Erişimle Artırılmış Taslak Hazırlama
Sık sorulan sorular
What is Self-RAG and Reflective Retrieval?
Self-RAG, bir dil modelinin ne zaman geri alınacağına karar verdiği, ardından özel yansıma belirteçleri kullanarak hem alınan pasajları hem de kendi çıktısını eleştirdiği bir çerçevedir. Bu önemlidir, çünkü her sorgu için körü körüne belge getirmek yerine, almayla artırılmış oluşturmayı uyarlanabilir ve kendi kendini denetleyen hale getirir.
Self-RAG, standart RAG'ın vermediği hangi önemli kararı veriyor?
Self-RAG, her zaman almak yerine harici belgelerin gerekli olup olmadığına karar vermek için talep üzerine bir 'alma' belirteci yayınlar.
Self-RAG'daki 'yansıtma belirteçleri' nedir?
IsRelevant, IsSupported ve IsUseful gibi yansıma belirteçleri, modelin pasajları ve kendi çıktısını eleştirmesine olanak tanır.
Hangi yansıma belirteci, oluşturulan bir ifadenin alınan kanıtlara dayanıp dayanmadığını değerlendirir?
IsSupported jetonu, modelin iddiasının gerçekten alınan pasajlar tarafından desteklenip desteklenmediğini değerlendirerek halüsinasyonun azaltılmasına yardımcı olur.
Bir Self-RAG modeli genellikle yansıma belirteçleri üretmek için nasıl eğitilir?
Self-RAG, sıklıkla GPT-4 gibi daha yetenekli bir öğretmen modeli tarafından oluşturulan, yansıma belirteçleriyle açıklamalı eğitim verilerinden öğrenir.
Her pasaj için 'İlgili' eleştirisi yayınlamak ne gibi bir avantaj sağlar?
Self-RAG, her pasajın alaka düzeyini eleştirerek, konu dışı geri dönüşleri cevaba doldurmak yerine görmezden gelebilir.