RAG કઈ સમસ્યા ઉકેલે છે?
AI મોડેલને તમારી સંસ્થાના દસ્તાવેજોની જાણ ન હોય અથવા દુનિયા વિશે માત્ર જૂની માહિતી હોય, તે સમસ્યા RAG ઉકેલે છે. મોડેલને ફરીથી તાલીમ આપવાને બદલે, તે જવાબ આપે ત્યારે જ તમે તેને યોગ્ય અંશો આપો છો.
50 લોકોના એક કાલ્પનિક પ્રવાસ આયોજક, ટાઇડવૉટર ટ્રાવેલની કલ્પના કરો. તેની બુકિંગ ટીમ નિયમો અને પ્રક્રિયાઓની 90 પાનાની માર્ગદર્શિકા વિશે વારંવાર એ જ પ્રશ્નો પૂછે છે. ટીમ લીડ લિયોને સામાન્ય ચેટબોટ અજમાવ્યો: 'શું ગ્રાહક પ્રસ્થાનના 10 દિવસ પહેલાં મુખ્ય મુસાફરનું નામ બદલી શકે છે, અને શું તેની ફી છે?' ચેટબોટે એરલાઇનના નિયમો અને ટાઇડવૉટર લેતું જ નથી એવી ફી વિશે આત્મવિશ્વાસભર્યો, સામાન્ય જવાબ આપ્યો. સાચો જવાબ માર્ગદર્શિકાના વિભાગ 4.2માં છે, જે ચેટબોટે ક્યારેય જોયો જ નથી.
માહિતી શોધીને તેના આધારે જવાબ તૈયાર કરવાની પ્રક્રિયા કેવી રીતે કામ કરે છે?
માહિતી શોધીને તેના આધારે જવાબ બનાવવાની પદ્ધતિ ત્રણ તબક્કામાં કામ કરે છે: પ્રશ્ન સાથે સૌથી વધુ સંબંધિત ફકરા શોધો, તેમને પ્રોમ્પ્ટમાં ઉમેરો અને પછી મોડેલને તેમના આધારે જવાબ બનાવવા દો. Anthropicની શબ્દાવલી પણ આ જ વિચાર સમજાવે છે: પ્રશ્ન પૂછાય ત્યારે જ્ઞાનભંડારમાંથી સંબંધિત માહિતી શોધવામાં આવે છે અને મૂળ પ્રશ્ન સાથે મોડેલને આપવામાં આવે છે.
આ શબ્દ પેટ્રિક લુઇસ અને તેમના સહકર્મીઓના 2020ના સંશોધનપત્રમાંથી આવ્યો છે. તેમણે ભાષા મોડેલને દસ્તાવેજોની શોધી શકાય તેવી અનુક્રમણિકા સાથે જોડ્યું અને જોયું કે માત્ર મોડેલની સરખામણીમાં તેના જવાબો વધુ ચોક્કસ અને તથ્ય આધારિત હતા.
1. દસ્તાવેજો તૈયાર કરો
હસ્તપુસ્તિકાને નાના ભાગોમાં વહેંચવામાં આવે છે, જેમ કે દરેક ભાગમાં એક વિભાગ કે થોડા ફકરા, જેથી શોધ આખા પુસ્તકને બદલે વિષયને લગતો ચોક્કસ અંશ પરત આપી શકે.
2. અર્થના આધારે તેમની અનુક્રમણિકા બનાવો
દરેક ટુકડાને એમ્બેડિંગમાં, એટલે કે તેનો અર્થ રજૂ કરતી સંખ્યાઓની યાદીમાં, ફેરવીને વેક્ટર ડેટાબેઝમાં સંગ્રહવામાં આવે છે. AWS આ પગલાને ડેટાનું સંખ્યાત્મક નિરૂપણમાં રૂપાંતર તરીકે વર્ણવે છે, જેથી તેને પ્રશ્નો સાથે સરખાવી શકાય.
3. માહિતી મેળવો
પ્રશ્નને પણ એ જ રીતે રૂપાંતરિત કરવામાં આવે છે અને સૌથી નજીકના ખંડ શોધવા માટે અનુક્રમણિકા સાથે સરખાવવામાં આવે છે. ઘણી પ્રણાલીઓ તેની સાથે સામાન્ય મુખ્ય શબ્દોની શોધ પણ વાપરે છે.
4. પ્રોમ્પ્ટમાં વધારાની માહિતી ઉમેરો
સૌથી સંબંધિત અંશો પ્રોમ્પ્ટમાં મૂકવામાં આવે છે, સાથે આવી સૂચના આપવામાં આવે છે: 'માત્ર આ અંશોના આધારે જવાબ આપો અને વિભાગનો સંદર્ભ આપો'.
5. તૈયાર કરો
મોડેલ આપેલા લખાણમાંથી જવાબ લખે છે અને આદર્શ રીતે તેણે વાપરેલા ફકરાઓને ટાંકે છે અથવા તેમનો સંદર્ભ આપે છે.
RAG સાથે અને તેના વગરનો જવાબ કેવો હોય છે?
RAG વિના: 'મોટાભાગની પ્રવાસ કંપનીઓ વિમાન કંપનીની નીતિને આધીન, વ્યક્તિદીઠ આશરે 50 થી 100ના શુલ્કે નામ બદલવાની મંજૂરી આપે છે.' આ જવાબ ઉપયોગી લાગે છે, પરંતુ તે ટાઇડવૉટરની નીતિ નથી અને તે ક્યાંથી આવ્યો છે તે કોઈ ચકાસી શકતું નથી.
RAG સાથે: પ્રણાલી માર્ગદર્શિકાના વિભાગ 4.2 અને વિભાગ 4.5 શોધી લાવે છે અને મોડેલ જવાબ આપે છે: 'હા. વિભાગ 4.2 મુજબ પ્રસ્થાનના 7 દિવસ પહેલાં સુધી મુખ્ય મુસાફરનું નામ કોઈ શુલ્ક વિના બદલી શકાય છે. વિભાગ 4.5 કહે છે કે હવાઈ મુસાફરી સામેલ હોય તેવાં પૅકેજ પર વિમાન કંપનીનું પોતાનું ફેરફાર શુલ્ક લાગુ પડી શકે છે, જે બુકિંગ પ્રણાલીમાં દેખાય છે. સ્રોત: માર્ગદર્શિકાના વિભાગ 4.2 અને 4.5.' લિયોન બંને વિભાગ ખોલીને થોડી જ સેકન્ડમાં જવાબની પુષ્ટિ કરી શકે છે. માર્ગદર્શિકા બદલાય તો નવા સંસ્કરણનું અનુક્રમણિકાકરણ થતાં જ જવાબ પણ બદલાય છે.
તમારે RAG ક્યારે વાપરવું જોઈએ અને ક્યારે નહીં?
જવાબો દસ્તાવેજોના કોઈ ચોક્કસ, બદલાતા રહેતા સંગ્રહમાંથી જ આવવા જરૂરી હોય અને લોકોને સ્રોત જોવાની જરૂર હોય ત્યારે RAG વાપરો. તે નીતિ માર્ગદર્શિકાઓ, ઉત્પાદન દસ્તાવેજો, સહાય માટેના જ્ઞાનભંડારો અને કરાર સંગ્રહો માટે યોગ્ય છે. Anthropic ની શબ્દાવલી મુજબ તે ખાસ કરીને અદ્યતન માહિતી, ક્ષેત્રવિશિષ્ટ જ્ઞાન અને સ્રોતોના સ્પષ્ટ સંદર્ભો આપવા માટે ઉપયોગી છે.
જ્યારે દસ્તાવેજો એટલા નાના હોય કે તેમને સીધા પ્રોમ્પ્ટમાં મૂકી શકાય, જ્યારે કાર્ય તથ્યોને બદલે શૈલી કે બંધારણ વિશે હોય, અથવા જ્યારે મૂળ દસ્તાવેજો જ અવિશ્વસનીય હોય, ત્યારે RAG યોગ્ય ઉકેલ નથી. તે પરવાનગીઓનું સ્થાન પણ લેતું નથી: જો કોઈ અંશ શોધીને મેળવવામાં આવે, તો મોડેલ તેને ફરી રજૂ કરી શકે છે, તેથી માહિતી શોધીને મેળવતાં પહેલાં જ ઍક્સેસ નિયંત્રણો લાગુ થવાં જોઈએ.
માહિતી શોધીને તેના આધારે જવાબ તૈયાર કરવાની પ્રક્રિયામાં શું ખોટું થઈ શકે છે?
RAGમાં સામાન્ય રીતે ભૂલ જવાબ તૈયાર કરવામાં નહીં, પણ માહિતી શોધીને મેળવવામાં થાય છે: જો ખોટો અંશ મળે, તો મોડેલ તેના આધારે આત્મવિશ્વાસભર્યો જવાબ લખે છે. Anthropic નોંધે છે કે RAGની અસરકારકતા જ્ઞાનભંડારની અને શોધીને મેળવેલી માહિતીની ગુણવત્તા તથા સુસંગતતા પર આધાર રાખે છે.
ખોટો અથવા અધૂરો ભાગ
અપવાદ ધરાવતો ફકરો નિયમ કરતાં જુદા ખંડમાં છે, તેથી જવાબમાં તે છૂટી જાય છે.
જૂની અથવા નકલી આવૃત્તિઓ
ગયા વર્ષની માર્ગદર્શિકા હજી પણ આ વર્ષની માર્ગદર્શિકા સાથે સૂચિબદ્ધ છે, અને જૂની માર્ગદર્શિકા શોધીને લાવવામાં આવે છે.
મોડેલ મૂળ લખાણથી ભટકે છે
મોડેલ શોધીને મેળવેલા લખાણને તેના સામાન્ય જ્ઞાન સાથે ભેળવે છે. ફક્ત સ્રોતોના આધારે જવાબ આપવાની સૂચનાઓ અને દેખાતા સ્રોતસંદર્ભો આ ભેળસેળ ઓળખવાનું સરળ બનાવે છે.
કોઈ સારો જવાબ ઉપલબ્ધ નથી
અંદાજ લગાવવાને બદલે પ્રણાલીએ જણાવવું જોઈએ કે દસ્તાવેજોમાં આ પ્રશ્નને આવરી લેવામાં આવ્યો નથી.
Tosheo.aiની અભ્યાસસૂચિમાં RAGનું સ્થાન ક્યાં છે?
માહિતી શોધથી સંવર્ધિત જનરેશનનો પાઠ AI ઍપ બનાવવાના અભ્યાસક્રમની AI ઍપ નિર્માણ શ્રેણીમાં આવે છે. આ પાઠ કંપનીના દસ્તાવેજો પર આધારિત AI સહાયકો સાથે કામ કરતી કોઈ પણ વ્યક્તિ માટે વિભાવના સમજાવતું સ્વરૂપ છે. નોંધણી પછીનો કોડ અભ્યાસમાર્ગ પ્રાયોગિક રીતે નાની RAG ઍપ બનાવડાવે છે—દસ્તાવેજોને ભાગોમાં વહેંચવા અને એમ્બેડિંગ બનાવવા થી લઈને માહિતી શોધ અને સંદર્ભો સાથેના જવાબો સુધી—અને દરેક પગલે મૂલ્યાંકન માર્ગદર્શિકા આધારિત પ્રતિસાદ આપે છે.
સ્રોતો અને વ્યાપ
Anthropic Claude દસ્તાવેજીકરણ, શબ્દાવલીમાં RAG માટેની નોંધ (19 October 2026ના રોજ ચકાસેલું) ↗
Anthropic Claude દસ્તાવેજીકરણ, સંદર્ભો આપવાની સુવિધા (19 October 2026ના રોજ ચકાસેલું) ↗