Apakah yang dilakukan Penjanaan Diperkukuh Capaian (RAG)?

Retrieval-Augmented Generation (penjanaan diperkaya capaian semula) menggeledah sumber pengetahuan luaran, seperti pangkalan data dokumen atau web, untuk petikan yang relevan dengan soalan pengguna, kemudian memasukkan petikan tersebut ke dalam model bersama soalan itu supaya jawapannya berasaskan maklumat terkini. Ini menangani kelemahan utama model bahasa besar: pengetahuannya beku pada titik masa latihan berakhir, jadi tanpa capaian semula ia tidak dapat mengetahui apa yang berlaku selepas itu atau mengakses dokumen persendirian yang tidak pernah dilatih dengannya.

Melatih semula keseluruhan model bagi setiap soalan akan menjadi amat mahal, pada dasarnya membina semula AI dari awal setiap kali, yang bukan cara RAG berfungsi. Memadam jawapan yang salah selepas ditunjukkan pula tidak menangani pengetahuan yang lapuk; ia hanyalah pembersihan reaktif, bukan jawapan yang lebih baik sejak awal.

RAG telah menjadi popular untuk membina pembantu AI yang disesuaikan untuk syarikat tertentu, membolehkan model tujuan umum menjawab soalan tentang dokumen dalaman tanpa kos yang amat besar untuk melatih model tersendiri dari awal.