Retrieval Augmented Generation (RAG) imekuwa muhimu kwa viongozi wa IT na makampuni yanayotaka kutekeleza AI ya uzalishaji. Kwa kutumia modeli kubwa ya lugha (LLM) na RAG, biashara zinaweza kuweka LLM katika data ya biashara, kuboresha usahihi wa matokeo. Lakini RAG inafanyaje kazi? Ni kesi gani za matumizi ya RAG? Na kuna njia mbadala za kweli? TechRepublic ilikaa na Davor Bonaci, afisa mkuu wa teknolojia na makamu wa rais mtendaji katika hifadhidata na kampuni ya AI ya DataStax, ili kujua jinsi RAG inavyosaidiwa sokoni wakati wa kuzindua AI ya uzalishaji mnamo 2024 na kile anachokiona kama hatua inayofuata ya teknolojia. 2025. Retrieval Augmented Generation ni nini? RAG ni mbinu inayoboresha umuhimu na usahihi wa matokeo genereshi ya muundo wa AI LLM kwa kuongeza muktadha uliopanuliwa au ulioongezwa kutoka kwa biashara. Inaruhusu viongozi wa IT kutumia AI LLM za uzalishaji kwa kesi za matumizi ya biashara. Bonaci alieleza kuwa ingawa LLMs “kimsingi wamefunzwa juu ya taarifa zote zinazopatikana kwenye mtandao,” hadi tarehe fulani ya mwisho, kulingana na mtindo, uwezo wao wa lugha na ujuzi wa jumla unakabiliwa na matatizo makubwa na yanayojulikana sana, kama vile maonyesho ya AI. TAZAMA: Zetaris juu ya kwa nini maziwa ya data yaliyoshirikishwa ni siku zijazo za kuwezesha AI “Ikiwa unataka kuitumia katika mpangilio wa biashara, lazima uiweke kwenye data ya biashara. Vinginevyo, unapata maono mengi,” alisema. “Kwa RAG, badala ya kuuliza tu LLM kuzalisha kitu, unasema, ‘Nataka uzalishe kitu, lakini tafadhali zingatia mambo haya ninayojua kuwa sahihi.’” RAG hufanyaje kazi katika mazingira ya biashara? RAG inatoa rejeleo la LLM kwa seti ya maelezo ya biashara, kama vile msingi wa maarifa, hifadhidata, au seti ya hati. Kwa mfano, bidhaa kuu ya DataStax ni hifadhidata yake ya vekta, Astra DB, ambayo biashara zinatumia kusaidia ujenzi wa programu za AI katika biashara. Kwa mazoezi, hoja inayotolewa na mtumiaji itapitia hatua ya kurejesha – utafutaji wa vekta – kutambua hati muhimu zaidi au vipande vya habari kutoka kwa chanzo cha maarifa kilichobainishwa mapema. Hii inaweza kujumuisha hati za biashara, karatasi za masomo, au Maswali Yanayoulizwa Mara kwa Mara. Taarifa iliyorejeshwa huwekwa katika muundo mzalishaji kama muktadha wa ziada kando ya hoja asilia, ikiruhusu kielelezo kusisitiza majibu yake katika ulimwengu halisi, uliosasishwa, au maarifa mahususi ya kikoa. Utulizaji huu unapunguza hatari ya maonyesho ambayo yanaweza kuwa wavunjaji wa biashara kwa biashara. Rasilimali za AI kutoka kwa TechRepublic Premium Je, RAG inaboresha kiasi gani utoaji wa miundo generator ya AI? Tofauti kati ya kutumia AI inayozalisha na bila RAG ni “usiku na mchana,” Bonaci alisema. Kwa biashara, mwelekeo wa LLM kudanganya kimsingi unamaanisha kuwa “haziwezi kutumika” au kwa matumizi machache tu. Mbinu ya RAG ndiyo hufungua mlango wa AI ya uzalishaji kwa makampuni ya biashara. “Mwisho wa siku, wao [LLMs] kuwa na ujuzi kutokana na kuona mambo kwenye mtandao,” Bonaci alieleza. “Lakini ukiuliza swali ambalo ni la nje ya uwanja wa kushoto, watakupa jibu la uhakika ambalo linaweza kuwa sio sawa kabisa.” TAZAMA: AI ya Kuzalisha imekuwa chanzo cha makosa ya gharama kubwa kwa makampuni Bonaci alibainisha kuwa mbinu za RAG zinaweza kuongeza usahihi wa matokeo ya LLM hadi zaidi ya 90% kwa kazi zisizo za hoja, kulingana na miundo na vigezo vinavyotumika. Kwa kazi changamano za hoja, kuna uwezekano mkubwa wa kutoa kati ya 70-80% ya usahihi kwa kutumia mbinu za RAG. Ni kesi gani za utumiaji wa RAG? RAG inatumika katika matukio kadhaa ya kawaida ya matumizi ya AI kwa mashirika, ikiwa ni pamoja na: Uendeshaji Otomatiki Kwa kutumia LLM zilizoongezwa na RAG, biashara zinaweza kufanyia kazi kazi zinazoweza kurudiwa otomatiki. Kesi ya kawaida ya utumiaji wa otomatiki ni usaidizi kwa wateja, ambapo mfumo unaweza kuwezeshwa kutafuta hati, kutoa majibu na kuchukua hatua kama vile kughairi tikiti au kufanya ununuzi. RAG ya Kubinafsisha inaweza kusasishwa na kujumlisha kiasi kikubwa cha habari. Bonaci alitoa mfano wa ukaguzi wa wateja, ambao unaweza kufupishwa kwa njia iliyobinafsishwa ambayo inafaa kwa muktadha wa mtumiaji, kama vile eneo lao, ununuzi wa zamani au mapendeleo ya kusafiri. Tafuta RAG inaweza kutumika ili kuboresha matokeo ya utafutaji katika biashara, na kuyafanya kuwa muhimu zaidi na mahususi kwa muktadha. Bonaci alibainisha jinsi RAG inavyosaidia watumiaji wa huduma ya utiririshaji kupata filamu au maudhui yanayohusiana na eneo au mambo yanayowavutia, hata kama hoja za utafutaji hazilingani kabisa na maudhui yanayopatikana. Je, grafu za maarifa zinawezaje kutumika na RAG? Kutumia grafu za maarifa na RAG ni “toleo la juu” la RAG msingi. Bonaci alieleza kuwa ingawa utafutaji wa vekta katika RAG ya msingi hubainisha kufanana katika hifadhidata ya vekta – kuifanya inafaa kwa maarifa ya jumla na lugha asilia ya binadamu – ina vikwazo kwa kesi fulani za matumizi ya biashara. Katika hali ambapo kampuni ya simu za mkononi inatoa mipango yenye viwango vingi na mijumuisho tofauti, swali la mteja – kama vile ikiwa utumiaji wa mitandao ya ng’ambo wa kimataifa umejumuishwa – utahitaji AI kuamua. Grafu ya maarifa inaweza kusaidia kupanga habari ili kusaidia kubaini kinachotumika. TAZAMA: Ufunguo wa ukomavu wa kidijitali kwa mafanikio katika AI kwa usalama wa mtandao “Tatizo ni maudhui katika hati hizo za mpango yanakinzana,” Bonaci alisema. “Kwa hiyo mfumo haujui upi ni wa kweli. Kwa hivyo unaweza kutumia grafu ya maarifa ili kukusaidia kupanga na kuhusisha taarifa kwa usahihi, ili kukusaidia kutatua migogoro hii.” Je, kuna njia mbadala za RAG kwa makampuni ya biashara? Njia mbadala ya RAG ni kusawazisha muundo wa AI unaozalisha. Kwa urekebishaji mzuri, badala ya kutumia data ya biashara kama kidokezo, data hutunzwa katika muundo wenyewe ili kuunda seti ya data iliyoathiriwa ili kuboresha muundo kwa matumizi kwa njia ambayo inaweza kutumia data hiyo ya biashara. Bonaci alisema kuwa, hadi sasa, RAG imekuwa njia iliyokubaliwa sana katika tasnia kama njia bora zaidi ya kufanya AI ya uzalishaji kuwa muhimu kwa biashara. “Tunaona watu mifano ya kurekebisha vizuri, lakini inasuluhisha niche ndogo ya shida, na kwa hivyo haijakubaliwa sana kama suluhisho,” alisema.