সংজ্ঞা
রিট্রিভাল-অগমেন্টেড জেনারেশন (RAG) হল এমন একটি কৌশল যা জেনারেটিভ মডেলগুলিকে তথ্য পুনরুদ্ধার সিস্টেমের সাথে একত্রিত করে। এটি তথ্যগত নির্ভুলতা উন্নত করার জন্য বহিরাগত উৎসগুলিতে আউটপুট ভিত্তি করে।
উদ্দেশ্য
এর উদ্দেশ্য হল উদ্ধারকৃত নথির মাধ্যমে প্রতিক্রিয়া বৃদ্ধি করে জেনারেটিভ এআই-তে হ্যালুসিনেশন কমানো। এটি বিশেষ করে প্রশ্নোত্তর এবং জ্ঞান-নিবিড় কাজে কার্যকর।
গুরুত্ব
- LLM আউটপুটগুলিতে বাস্তবিক নির্ভুলতা উন্নত করে।
- ডোমেন-নির্দিষ্ট জ্ঞান ইন্টিগ্রেশন সক্ষম করে।
- নির্ভরযোগ্য পুনরুদ্ধার ব্যবস্থা প্রয়োজন।
- হাইব্রিড অনুসন্ধান এবং ওপেন-ডোমেন QA সম্পর্কিত।
কিভাবে এটা কাজ করে
- ব্যবহারকারী একটি প্রশ্ন বা প্রম্পট প্রদান করে।
- পুনরুদ্ধার ব্যবস্থা প্রাসঙ্গিক নথি সংগ্রহ করে।
- নথিগুলি একটি জেনারেটিভ মডেলে স্থানান্তরিত হয়।
- মডেল পুনরুদ্ধারকৃত বিষয়বস্তুর উপর ভিত্তি করে প্রতিক্রিয়া তৈরি করে।
- প্রতিক্রিয়া লুপগুলি ভবিষ্যতের কর্মক্ষমতা উন্নত করে।
উদাহরণ (বাস্তব জগৎ)
- ব্রাউজিং বা পুনরুদ্ধার প্লাগইন সহ OpenAI ChatGPT।
- মেটা আরএজি মডেল: পুনরুদ্ধার-ভিত্তিক এলএলএম-এর উপর গবেষণা।
- জটিলতা AI: পুনরুদ্ধার-বর্ধিত কথোপকথন অনুসন্ধান।
তথ্যসূত্র / আরও পড়া
- লুইস এবং অন্যান্যরা "জ্ঞান-নিবিড় NLP-এর জন্য পুনরুদ্ধার-বর্ধিত প্রজন্ম।" নিউরআইপিএস ২০২০।
- আলিঙ্গন মুখ RAG বাস্তবায়ন।
- পুনরুদ্ধার পদ্ধতির উপর স্ট্যানফোর্ড HAI গবেষণা।
- RAFT কি? RAG + ফাইন-টিউনিং
