Diffiniad
Mae Cynhyrchu Adfer-Ehangedig (RAG) yn dechneg sy'n cyfuno modelau cynhyrchiol â systemau adfer gwybodaeth. Mae'n seilio allbynnau mewn ffynonellau allanol i wella cywirdeb ffeithiol.
Diben
Y pwrpas yw lleihau rhithwelediadau mewn deallusrwydd artiffisial cynhyrchiol trwy ychwanegu at ymatebion gyda dogfennau a adferwyd. Mae'n arbennig o ddefnyddiol wrth ateb cwestiynau a thasgau sy'n ddwys o ran gwybodaeth.
Pwysigrwydd
- Yn gwella cywirdeb ffeithiol mewn allbynnau LLM.
- Yn galluogi integreiddio gwybodaeth sy'n benodol i'r parth.
- Angen systemau adfer dibynadwy.
- Yn gysylltiedig â chwiliad hybrid a sicrhau ansawdd parth agored.
Sut Mae'n Gwaith
- Mae'r defnyddiwr yn darparu ymholiad neu awgrym.
- Mae system adfer yn nôl dogfennau perthnasol.
- Mae dogfennau'n cael eu trosglwyddo i fodel cynhyrchiol.
- Mae'r model yn cynhyrchu ymatebion sy'n seiliedig ar gynnwys a adferwyd.
- Mae dolenni adborth yn gwella perfformiad yn y dyfodol.
Enghreifftiau (Y Byd Go Iawn)
- OpenAI ChatGPT gydag ategion pori neu adfer.
- Model meta RAG: ymchwil ar LLMs sy'n seiliedig ar adferiad.
- Dryswch AI: chwiliad sgwrsiol wedi'i estyn gan adferiad.
Cyfeiriadau / Darllen Pellach
- Lewis et al. “Cynhyrchu Adalw-Ehangedig ar gyfer NLP Gwybodaeth-ddwys.” NeurIPS 2020.
- Gweithredu RAG Wyneb Cofleidio.
- Ymchwil HAI Stanford ar Ddulliau Adfer.
- Beth yw RAFT? RAG + Cywiro
