يمكن تحسين دقة وموثوقية نماذج الذكاء الاصطناعي التوليدية من خلال الحقائق التي يتم الحصول عليها من مصادر خارجية، وتسمى التقنية المستخدمة لجلبها جيل الاسترجاع المعزز (RAG).
للحصول على فهم بسيط، لنفترض أن نموذج اللغة الكبير الجيد (LLM) يمكنه الإجابة على مجموعة واسعة من الاستفسارات البشرية. ولكن للحصول على إجابات موثوقة، يجب أن يكون هناك بعض المصادر المذكورة فيها، ولهذا الغرض، يجب إجراء بعض الأبحاث، لذلك سيحتاج النموذج إلى مساعد. تُسمى هذه العملية المساعدة بالتوليد المعزز للاسترجاع، أو RAG، لسهولة الاستخدام.
فهم الجيل المعزز للاسترجاع، أو RAG
لفهم RAG بشكل أكبر، فإنه يسد الفجوات الموجودة بالفعل في أعمال LLMs. يتم قياس جودة أو قوة LLM من خلال عدد المعلمات الموجودة بها. المعلمات هي في الأساس الأنماط العامة لكيفية استخدام البشر للكلمات لتكوين الجمل. يمكن أن تكون LLMs غير متوافقة مع الإجابات التي تقدمها.
في بعض الأحيان يقدمون المعلومات الدقيقة التي يحتاجها المستخدم، وفي أحيان أخرى يقدمون حقائق وأرقام عشوائية من مجموعات البيانات المدرجة في تدريبهم. إذا قدم ماجستير إدارة الأعمال في بعض الأحيان إجابات غامضة، كأنهم لا يعرفون ما يقولونه، فذلك لأنه ليس لديهم أي فكرة عما يقولونه. كما تحدثنا عن المعلمات في السطر أعلاه، يمكن لطلاب ماجستير القانون ربط الكلمات إحصائيًا، لكنهم لا يعرفون معانيها.
إن دمج RAG في أنظمة الدردشة المستندة إلى LLM له فائدتان رئيسيتان، فهو يتأكد من أن النموذج يمكنه الوصول إلى الحقائق الحالية والموثوقة، ويضمن أيضًا أن المستخدمين يمكنهم التحقق من أن ادعاءاته جديرة بالثقة حيث يمكنهم الوصول إلى مصادر نموذج.
وقال لويس لاستراس، مدير تقنيات اللغة في أبحاث IBM:
"أنت تريد إجراء إحالة مرجعية لإجابات النموذج مع المحتوى الأصلي حتى تتمكن من رؤية ما يستند إليه إجابته."
المصدر: آي بي إم .
وهناك فوائد أخرى أيضًا، حيث أنه يقلل من فرص الهلوسة وتسرب البيانات حيث أن لديه فرصة أن يبني معرفته على مصادر خارجية، فلا يضطر إلى الاعتماد فقط على البيانات التي تدرب عليها. تعمل RAG أيضًا على تقليل التكاليف المالية والحسابية لتشغيل روبوتات الدردشة نظرًا لأنها تحتاج إلى تدريب أقل على البيانات الجديدة.
فوائد راج
تقليديا، تستخدم نماذج المحادثة الرقمية نهج الحوار اليدوي. لقد أثبتوا فهمهم لنية المستخدم، ثم جلبوا المعلومات على هذا الأساس وقدموا الإجابات في نص عام defi المبرمجون بالفعل. كان هذا النظام قادرًا على الإجابة على أسئلة بسيطة ومباشرة. ومع ذلك، كان للنظام قيود.
كان تقديم الإجابات على كل استفسار قد يطلبه العميل يستغرق وقتًا طويلاً، وإذا فاته المستخدم خطوة، فإن برنامج الدردشة الآلي يفتقر إلى القدرة على التعامل مع الموقف والارتجال. ومع ذلك، أتاحت تكنولوجيا اليوم لروبوتات الدردشة تقديم ردود مخصصة للمستخدمين دون الحاجة إلى كتابة نصوص جديدة بواسطة البشر، وتأخذ RAG خطوة أخرى إلى الأمام من خلال الاحتفاظ بالنموذج على محتوى جديد وتقليل الحاجة إلى التدريب. وكما قال لاستراس
"فكر في النموذج باعتباره موظفًا مبتدئًا متحمسًا للغاية، يتسرع في تقديم إجابة قبل التحقق من الحقائق، فالتجربة تعلمنا أن نتوقف ونقول عندما لا نعرف شيئًا ما. ولكن يحتاج حاملو شهادة الماجستير في القانون إلى تدريب واضح للتعرف على الأسئلة التي لا يستطيعون الإجابة عليها.
المصدر: آي بي إم.
وكما نعلم، فإن أسئلة المستخدمين ليست دائمًا واضحة ومباشرة، فقد تكون معقدة وغامضة ومليئة بالألفاظ، أو تتطلب معلومات يفتقر إليها النموذج أو لا يمكن تحليلها بسهولة. في مثل هذه الظروف، يمكن لحاملي شهادة الماجستير في القانون أن يهلوسوا. يمكن أن يمنع الضبط الدقيق هذه الحالات، LLM على التوقف عندما يواجهون مثل هذا الموقف. ولكن سوف نحتاج إلى تغذية الآلاف من الأمثلة على مثل هذه الأسئلة للتعرف عليها.
RAG هو أفضل نموذج متاح حاليًا لاعتماد LLMs على أحدث البيانات وأكثرها تأكيدًا وكذلك تقليل التدريب. يتطور RAG أيضًا بمرور الوقت ولا يزال بحاجة إلى مزيد من البحث لتسوية العيوب.
يمكن رؤية مصدر الإلهام هنا .
