การดึงข้อมูล-Augmented Generation (RAG)

คำนิยาม

Retrieval-Augmented Generation (RAG) เป็นเทคนิคที่ผสมผสานแบบจำลองเชิงกำเนิดเข้ากับระบบการสืบค้นข้อมูล โดยอาศัยข้อมูลเอาต์พุตจากแหล่งข้อมูลภายนอกเพื่อปรับปรุงความถูกต้องของข้อเท็จจริง

จุดมุ่งหมาย

จุดประสงค์คือเพื่อลดอาการประสาทหลอนใน AI เชิงสร้างสรรค์ (generative AI) โดยเพิ่มการตอบสนองด้วยเอกสารที่ดึงมาได้ วิธีนี้มีประโยชน์อย่างยิ่งในการตอบคำถามและงานที่ต้องใช้ความรู้จำนวนมาก

ความสำคัญ

• ปรับปรุงความถูกต้องของข้อเท็จจริงในผลลัพธ์ LLM
• เปิดใช้งานการบูรณาการความรู้เฉพาะโดเมน
• จำเป็นต้องมีระบบการค้นคืนข้อมูลที่เชื่อถือได้
• เกี่ยวข้องกับการค้นหาแบบไฮบริดและ QA แบบโอเพ่นโดเมน

วิธีการทำงาน

1. ผู้ใช้ให้การสอบถามหรือแจ้งเตือน
2. ระบบค้นคืนเอกสารที่เกี่ยวข้อง
3. เอกสารจะถูกส่งไปยังรูปแบบการกำเนิด
4. โมเดลสร้างการตอบสนองโดยอิงตามเนื้อหาที่เรียกค้นมา
5. วงจรข้อเสนอแนะช่วยปรับปรุงประสิทธิภาพในอนาคต

ตัวอย่าง (โลกแห่งความเป็นจริง)

• OpenAI ChatGPT พร้อมปลั๊กอินการค้นหาหรือดึงข้อมูล
• แบบจำลอง Meta RAG: การวิจัยเกี่ยวกับ LLMs ที่ใช้การดึงข้อมูล
• Perplexity AI: การค้นหาแบบสนทนาที่เพิ่มการดึงข้อมูล

อ้างอิง/อ่านเพิ่มเติม

• Lewis และคณะ “การดึงข้อมูล-การสร้างเสริมสำหรับ NLP ที่เน้นความรู้” NeurIPS 2020
• การใช้งาน RAG แบบ Hugging Face
• งานวิจัย Stanford HAI เกี่ยวกับวิธีการสืบค้นข้อมูล
• RAFT คืออะไร? RAG + Fine-Tuning