Tạo sinh tăng cường truy xuất (RAG) làm gì?

Retrieval-Augmented Generation (Sinh văn bản tăng cường bằng truy xuất) tìm kiếm trong một nguồn tri thức bên ngoài, chẳng hạn cơ sở dữ liệu tài liệu hay internet, những đoạn văn bản liên quan đến câu hỏi của người dùng, rồi đưa những đoạn đó vào mô hình cùng với câu hỏi để nó trả lời dựa trên thông tin hiện hành. Điều này giải quyết một điểm yếu cốt lõi của các mô hình ngôn ngữ lớn: kiến thức của chúng bị đóng băng tại thời điểm huấn luyện kết thúc, nên nếu không có khả năng truy xuất, chúng không thể biết những gì đã xảy ra sau đó hay truy cập các tài liệu riêng tư mà chúng chưa từng được huấn luyện trên đó.

Việc huấn luyện lại toàn bộ mô hình cho mỗi câu hỏi sẽ cực kỳ tốn kém, về cơ bản là xây dựng lại AI từ đầu mỗi lần, đó không phải cách RAG hoạt động. Xóa các câu trả lời sai sau khi đã hiển thị không giải quyết được vấn đề kiến thức lỗi thời; đó là dọn dẹp phản ứng sau, chứ không phải câu trả lời tốt hơn ngay từ đầu.

RAG đã trở nên phổ biến để xây dựng các trợ lý AI tùy chỉnh cho các công ty cụ thể, cho phép một mô hình đa dụng trả lời câu hỏi về tài liệu nội bộ mà không cần chi phí khổng lồ để huấn luyện một mô hình riêng từ đầu.