RAG କେଉଁ ସମସ୍ୟାର ସମାଧାନ କରେ?

AI ମଡେଲ୍ ଆପଣଙ୍କ ସଂସ୍ଥାର ଦଲିଲ ବିଷୟରେ ନ ଜାଣିବା କିମ୍ବା ବିଶ୍ୱ ବିଷୟରେ କେବଳ ପୁରୁଣା ତଥ୍ୟ ଜାଣିଥିବା ସମସ୍ୟାର ସମାଧାନ RAG କରେ। ମଡେଲ୍‌କୁ ପୁଣି ତାଲିମ ଦେବା ପରିବର୍ତ୍ତେ, ଉତ୍ତର ଦେବା ସମୟରେ ଆପଣ ତାହାକୁ ଉପଯୁକ୍ତ ପାଠ୍ୟାଂଶ ଯୋଗାଇ ଦିଅନ୍ତି।

ଟାଇଡ୍‌ୱାଟର୍ ଟ୍ରାଭେଲ୍ ନାମକ ଏକ କାଳ୍ପନିକ 50 ଜଣିଆ ପର୍ଯ୍ୟଟନ ସଂସ୍ଥାକୁ କଳ୍ପନା କରନ୍ତୁ। ଏହାର ବୁକିଂ ଦଳ 90 ପୃଷ୍ଠାର ସର୍ତ୍ତ ଓ ପ୍ରକ୍ରିୟା ପୁସ୍ତିକା ବିଷୟରେ ବାରମ୍ବାର ସମାନ ପ୍ରଶ୍ନ ପଚାରୁଛି। ଦଳର ମୁଖ୍ୟ ଲିଅନ୍ ଏକ ସାଧାରଣ ଚାଟ୍‌ବଟ୍‌କୁ ପଚାରିଲେ: 'ଯାତ୍ରାର 10 ଦିନ ପୂର୍ବରୁ ଗ୍ରାହକ ମୁଖ୍ୟ ଯାତ୍ରୀଙ୍କ ନାମ ବଦଳାଇପାରିବେ କି, ଏବଂ ଏଥିପାଇଁ କୌଣସି ଶୁଳ୍କ ଅଛି କି?' ଚାଟ୍‌ବଟ୍ ବିମାନ ସଂସ୍ଥାର ନିୟମ ଏବଂ ଟାଇଡ୍‌ୱାଟର୍ ନେଉନଥିବା ଏକ ଶୁଳ୍କ ବିଷୟରେ ଆତ୍ମବିଶ୍ୱାସର ସହ ଏକ ସାଧାରଣ ଉତ୍ତର ଦେଲା। ପ୍ରକୃତ ଉତ୍ତର ପୁସ୍ତିକାର ଧାରା 4.2 ରେ ଅଛି, ଯାହା ଚାଟ୍‌ବଟ୍ କେବେ ଦେଖିନାହିଁ।

ତଥ୍ୟ ଖୋଜି ଆଣିବା ସହାୟତାରେ ଉତ୍ତର ସୃଷ୍ଟି କରିବା ପ୍ରକ୍ରିୟା କିପରି କାମ କରେ?

ତଥ୍ୟ ଖୋଜିବା ସହାୟତାରେ ଉତ୍ତର ତିଆରି କରିବା ପଦ୍ଧତି ତିନୋଟି ପର୍ଯ୍ୟାୟରେ କାମ କରେ: ପ୍ରଶ୍ନ ସହ ସବୁଠାରୁ ପ୍ରାସଙ୍ଗିକ ଅଂଶଗୁଡ଼ିକ ଖୋଜିବା, ସେଗୁଡ଼ିକୁ ନିର୍ଦ୍ଦେଶରେ ଯୋଡ଼ିବା, ତାପରେ ମଡେଲକୁ ସେହି ଅଂଶଗୁଡ଼ିକ ଆଧାରରେ ଉତ୍ତର ତିଆରି କରିବାକୁ ଦେବା। Anthropicର ଶବ୍ଦକୋଷରେ ମଧ୍ୟ ଏହି ଧାରଣା ବର୍ଣ୍ଣନା କରାଯାଇଛି: ପ୍ରଶ୍ନ ପଚରାଯିବା ସମୟରେ ଏକ ଜ୍ଞାନଭଣ୍ଡାରରୁ ପ୍ରାସଙ୍ଗିକ ତଥ୍ୟ ଖୋଜି ମୂଳ ପ୍ରଶ୍ନ ସହ ମଡେଲକୁ ଦିଆଯାଏ।

ଏହି ଶବ୍ଦଟି ପାଟ୍ରିକ୍ ଲୁଇସ୍ ଓ ତାଙ୍କ ସହକର୍ମୀମାନଙ୍କର 2020 ମସିହାର ଏକ ଗବେଷଣା ପତ୍ରରୁ ଆସିଛି। ସେଥିରେ ଏକ ଭାଷା ମଡେଲକୁ ଦଲିଲଗୁଡ଼ିକର ଏକ ସନ୍ଧାନଯୋଗ୍ୟ ସୂଚୀ ସହ ଯୋଡ଼ାଯାଇଥିଲା ଏବଂ କେବଳ ମଡେଲରୁ ମିଳୁଥିବା ଉତ୍ତର ତୁଳନାରେ ଏହାର ଉତ୍ତରଗୁଡ଼ିକ ଅଧିକ ନିର୍ଦ୍ଦିଷ୍ଟ ଓ ତଥ୍ୟଭିତ୍ତିକ ବୋଲି ଜଣାପଡ଼ିଥିଲା।

1. ଦସ୍ତାବିଜ ପ୍ରସ୍ତୁତ କରନ୍ତୁ

ହାତବହିକୁ ଛୋଟ ଛୋଟ ଖଣ୍ଡରେ ବିଭକ୍ତ କରାଯାଇଛି, ଯଥା ପ୍ରତ୍ୟେକ ଖଣ୍ଡରେ ଗୋଟିଏ ବିଭାଗ କିମ୍ବା କିଛି ଅନୁଚ୍ଛେଦ। ଏହା ଫଳରେ ସନ୍ଧାନ କଲେ ପୂରା ବହି ପରିବର୍ତ୍ତେ ନିର୍ଦ୍ଦିଷ୍ଟ ବିଷୟ ସହ ସମ୍ପୃକ୍ତ ପାଠ୍ୟାଂଶ ମିଳିପାରେ।

2. ଅର୍ଥ ଆଧାରରେ ସେଗୁଡ଼ିକୁ ସୂଚୀବଦ୍ଧ କରନ୍ତୁ

ପ୍ରତ୍ୟେକ ଖଣ୍ଡକୁ ଏକ ଏମ୍ବେଡିଂରେ, ଅର୍ଥାତ୍ ତାହାର ଅର୍ଥକୁ ଦର୍ଶାଉଥିବା ସଂଖ୍ୟାର ତାଲିକାରେ, ପରିବର୍ତ୍ତନ କରି ଏକ ଭେକ୍ଟର ଡାଟାବେସ୍‌ରେ ସଂରକ୍ଷଣ କରାଯାଏ। AWS ଏହି ପଦକ୍ଷେପକୁ ତଥ୍ୟକୁ ସାଂଖ୍ୟିକ ରୂପରେ ପରିଣତ କରିବା ଭାବେ ବର୍ଣ୍ଣନା କରେ, ଯାହାଫଳରେ ଏହାକୁ ପ୍ରଶ୍ନ ସହ ମେଳ କରାଯାଇପାରିବ।

3. ତଥ୍ୟ ଖୋଜି ଆଣନ୍ତୁ

ପ୍ରଶ୍ନଟିକୁ ମଧ୍ୟ ସେହି ଉପାୟରେ ରୂପାନ୍ତର କରାଯାଏ ଏବଂ ସବୁଠାରୁ ମେଳ ଖାଉଥିବା ପାଠ୍ୟ ଖଣ୍ଡଗୁଡ଼ିକୁ ଖୋଜିବା ପାଇଁ ସୂଚୀ ସହ ମେଳ କରାଯାଏ। ଅନେକ ବ୍ୟବସ୍ଥା ଏହା ସହିତ ସାଧାରଣ ମୁଖ୍ୟ ଶବ୍ଦ ଆଧାରିତ ସନ୍ଧାନ ମଧ୍ୟ ବ୍ୟବହାର କରନ୍ତି।

4. ନିର୍ଦ୍ଦେଶରେ ଅଧିକ ପ୍ରସଙ୍ଗ ଯୋଡ଼ନ୍ତୁ

ସବୁଠାରୁ ପ୍ରାସଙ୍ଗିକ ପାଠ୍ୟଖଣ୍ଡଗୁଡ଼ିକୁ ପ୍ରମ୍ପ୍ଟରେ ରଖାଯାଏ, ସାଙ୍ଗରେ 'କେବଳ ଏହି ପାଠ୍ୟାଂଶଗୁଡ଼ିକ ଆଧାରରେ ଉତ୍ତର ଦିଅ ଏବଂ ସମ୍ପୃକ୍ତ ବିଭାଗର ଉଲ୍ଲେଖ କର' ଭଳି ଏକ ନିର୍ଦ୍ଦେଶ ଦିଆଯାଏ।

5. ତିଆରି କରନ୍ତୁ

ମଡେଲ୍ ଦିଆଯାଇଥିବା ପାଠ୍ୟରୁ ଉତ୍ତର ଲେଖେ ଏବଂ ଆଦର୍ଶ ଭାବେ ଏହା ବ୍ୟବହାର କରିଥିବା ଅଂଶଗୁଡ଼ିକୁ ଉଦ୍ଧୃତ କରେ କିମ୍ବା ସେଗୁଡ଼ିକର ଉଲ୍ଲେଖ କରେ।

RAG ସହିତ ଓ ବିନା RAG ରେ ଉତ୍ତର କିପରି ହୋଇଥାଏ?

RAG ବିନା: 'ଅଧିକାଂଶ ଭ୍ରମଣ କମ୍ପାନୀ ବିମାନ କମ୍ପାନୀର ନୀତି ଅନୁଯାୟୀ ପ୍ରତି ବ୍ୟକ୍ତି ପ୍ରାୟ 50 ରୁ 100 ଶୁଳ୍କରେ ନାମ ବଦଳାଇବାକୁ ଅନୁମତି ଦିଅନ୍ତି।' ଏହା ଉପଯୋଗୀ ମନେହୁଏ, କିନ୍ତୁ ଏହା ଟାଇଡ୍‌ୱାଟର୍‌ର ନୀତି ନୁହେଁ, ଏବଂ ଏହା କେଉଁଠୁ ଆସିଲା କେହି ଯାଞ୍ଚ କରିପାରିବେ ନାହିଁ।

RAG ସହିତ: ବ୍ୟବସ୍ଥାଟି ହସ୍ତପୁସ୍ତିକାର ଧାରା 4.2 ଓ ଧାରା 4.5 ଖୋଜି ଆଣେ, ଏବଂ ମଡେଲ୍ ଉତ୍ତର ଦିଏ: 'ହଁ। ଧାରା 4.2 ଅନୁସାରେ ଯାତ୍ରା ଆରମ୍ଭର 7 ଦିନ ପୂର୍ବ ପର୍ଯ୍ୟନ୍ତ ମୁଖ୍ୟ ଯାତ୍ରୀଙ୍କ ନାମ ବିନା ଶୁଳ୍କରେ ବଦଳାଯାଇପାରିବ। ଧାରା 4.5 ଅନୁସାରେ ବିମାନଯାତ୍ରା ଅନ୍ତର୍ଭୁକ୍ତ ପ୍ୟାକେଜ୍‌ଗୁଡ଼ିକରେ ବିମାନ କମ୍ପାନୀର ନିଜସ୍ୱ ପରିବର୍ତ୍ତନ ଶୁଳ୍କ ଲାଗିପାରେ, ଯାହା ବୁକିଂ ବ୍ୟବସ୍ଥାରେ ଦେଖାଯାଏ। ଉତ୍ସ: ହସ୍ତପୁସ୍ତିକାର ଧାରା 4.2 ଓ 4.5।' ଲିଅନ୍ ଉଭୟ ଧାରା ଖୋଲି କିଛି ସେକେଣ୍ଡ ମଧ୍ୟରେ ଉତ୍ତର ନିଶ୍ଚିତ କରିପାରିବେ। ହସ୍ତପୁସ୍ତିକା ବଦଳିଲେ, ନୂଆ ସଂସ୍କରଣ ସୂଚୀଭୁକ୍ତ ହେବାମାତ୍ରେ ଉତ୍ତର ମଧ୍ୟ ବଦଳିଯାଏ।

ଆପଣ RAG କେତେବେଳେ ବ୍ୟବହାର କରିବା ଉଚିତ, ଏବଂ କେତେବେଳେ ନୁହେଁ?

ଯେତେବେଳେ ଉତ୍ତର ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ, ବଦଳୁଥିବା ଦଲିଲ ସମୂହରୁ ଆସିବା ଆବଶ୍ୟକ ଏବଂ ଲୋକମାନେ ଉତ୍ସ ଦେଖିବା ଦରକାର, ସେତେବେଳେ RAG ବ୍ୟବହାର କରନ୍ତୁ। ଏହା ନୀତି ହସ୍ତପୁସ୍ତିକା, ଉତ୍ପାଦ ସମ୍ବନ୍ଧୀୟ ଦଲିଲ, ସହାୟତା ପାଇଁ ଜ୍ଞାନଭଣ୍ଡାର ଓ ଚୁକ୍ତି ସଂଗ୍ରହ ପାଇଁ ଉପଯୁକ୍ତ। Anthropicର ଶବ୍ଦକୋଷ ଅନୁସାରେ, ଏହା ସଦ୍ୟତମ ସୂଚନା, କ୍ଷେତ୍ରବିଶେଷ ଜ୍ଞାନ ଓ ଉତ୍ସର ସ୍ପଷ୍ଟ ଉଦ୍ଧୃତି ପାଇଁ ବିଶେଷ ଉପଯୋଗୀ।

ଦଲିଲଗୁଡ଼ିକ ଏତେ ଛୋଟ ଯେ ସିଧାସଳଖ ପ୍ରମ୍ପ୍ଟରେ ଲଗାଯାଇପାରିବ, କାମଟି ତଥ୍ୟ ପରିବର୍ତ୍ତେ ଶୈଳୀ କିମ୍ବା ଆକୃତି ସମ୍ପର୍କିତ, କିମ୍ବା ମୂଳ ଦଲିଲଗୁଡ଼ିକ ନିଜେ ଅବିଶ୍ୱସନୀୟ ହୋଇଥିଲେ RAG ସମାଧାନ ନୁହେଁ। ଏହା ଅନୁମତି ବ୍ୟବସ୍ଥାର ବିକଳ୍ପ ମଧ୍ୟ ନୁହେଁ: କୌଣସି ପାଠ୍ୟାଂଶ ଖୋଜି ଅଣାଗଲେ ମଡେଲ୍ ତାହାକୁ ପୁଣି କହିପାରେ, ତେଣୁ ଖୋଜି ଆଣିବା ପୂର୍ବରୁ ପ୍ରବେଶ ନିୟନ୍ତ୍ରଣ ଲାଗୁ ହେବା ଆବଶ୍ୟକ।

ତଥ୍ୟ ଖୋଜି ଆଣିବା ସହାୟତାରେ ଉତ୍ତର ସୃଷ୍ଟି କରିବା ପ୍ରକ୍ରିୟାରେ କିପରି ଭୁଲ୍ ହୁଏ?

RAG ରେ ସାଧାରଣତଃ ଉତ୍ତର ତିଆରି ସମୟରେ ନୁହେଁ, ବରଂ ତଥ୍ୟ ଖୋଜି ଆଣିବା ସମୟରେ ଭୁଲ୍ ହୁଏ: ଭୁଲ୍ ପାଠ୍ୟାଂଶ ମିଳିଲେ ମଡେଲ୍ ତାହାକୁ ଆଧାର କରି ଆତ୍ମବିଶ୍ୱାସର ସହ ଉତ୍ତର ଲେଖେ। Anthropic ଅନୁସାରେ, RAG ର କାର୍ଯ୍ୟକାରିତା ଜ୍ଞାନ ଭଣ୍ଡାର ଏବଂ ଖୋଜି ଅଣାଯାଇଥିବା ତଥ୍ୟର ଗୁଣବତ୍ତା ଓ ପ୍ରାସଙ୍ଗିକତା ଉପରେ ନିର୍ଭର କରେ।

ଭୁଲ କିମ୍ବା ଅସମ୍ପୂର୍ଣ୍ଣ ଖଣ୍ଡ

ବ୍ୟତିକ୍ରମ ଉଲ୍ଲେଖ ଥିବା ଅଂଶଟି ନିୟମ ଥିବା ଖଣ୍ଡଠାରୁ ଅଲଗା ଖଣ୍ଡରେ ରହିଛି, ତେଣୁ ଉତ୍ତରରେ ସେହି ବ୍ୟତିକ୍ରମ ଛାଡ଼ି ହୋଇଯାଏ।

ପୁରୁଣା କିମ୍ବା ନକଲ ସଂସ୍କରଣ

ଚଳିତ ବର୍ଷର ହସ୍ତପୁସ୍ତିକା ସହ ଗତ ବର୍ଷର ହସ୍ତପୁସ୍ତିକା ମଧ୍ୟ ଏବେ ବି ସୂଚୀଭୁକ୍ତ ଅଛି, ଏବଂ ଖୋଜିବା ବେଳେ ପୁରୁଣାଟି ମିଳୁଛି।

ମଡେଲ୍ ମୂଳ ଲେଖାରୁ ବିଚ୍ୟୁତ ହୁଏ

ମଡେଲ୍ ଖୋଜି ଆଣିଥିବା ପାଠ୍ୟକୁ ନିଜର ସାଧାରଣ ଜ୍ଞାନ ସହ ମିଶାଏ। କେବଳ ଉତ୍ସଗୁଡ଼ିକ ଆଧାରରେ ଉତ୍ତର ଦେବାକୁ ନିର୍ଦ୍ଦେଶ ଏବଂ ସ୍ପଷ୍ଟ ଭାବେ ଦେଖାଯାଉଥିବା ଉତ୍ସ ଉଲ୍ଲେଖ ଏହି ମିଶ୍ରଣକୁ ଚିହ୍ନଟ କରିବା ସହଜ କରେ।

କୌଣସି ଭଲ ଉତ୍ତର ନାହିଁ

ଅନୁମାନ କରିବା ପରିବର୍ତ୍ତେ, ଦଲିଲଗୁଡ଼ିକରେ ପ୍ରଶ୍ନ ସମ୍ପର୍କିତ ତଥ୍ୟ ନାହିଁ ବୋଲି ସିଷ୍ଟମ୍ କହିବା ଉଚିତ।

Tosheo.ai ପାଠ୍ୟତାଲିକାରେ RAG କେଉଁଠି ସ୍ଥାନ ପାଏ?

ତଥ୍ୟ ପୁନରୁଦ୍ଧାର ସହାୟତାରେ ଉତ୍ତର ସୃଜନ ପାଠଟି AI ଆପ୍ ନିର୍ମାଣ ପାଠ୍ୟକ୍ରମର AI ଆପ୍ ତିଆରି ବର୍ଗରେ ରହିଛି। କମ୍ପାନୀର ଦଲିଲ ଆଧାରରେ ତିଆରି AI ସହାୟକ ସହିତ କାମ କରୁଥିବା ଯେକୌଣସି ବ୍ୟକ୍ତିଙ୍କ ପାଇଁ ଏହି ପାଠ ଧାରଣାଗତ ସଂସ୍କରଣ। ପଞ୍ଜୀକରଣ ପରେ କୋଡ୍ ଶିକ୍ଷଣ ପଥରେ ଏକ ଛୋଟ RAG ଆପ୍ ହାତେକଲମେ ତିଆରି କରାଯାଏ—ଦଲିଲକୁ ଭାଗ କରିବା ଏବଂ ଏମ୍ବେଡିଂ ତିଆରି କରିବାଠାରୁ ଆରମ୍ଭ କରି ତଥ୍ୟ ପୁନରୁଦ୍ଧାର ଏବଂ ଉତ୍ସ ଉଲ୍ଲେଖ ସହିତ ଉତ୍ତର ଦେବା ପର୍ଯ୍ୟନ୍ତ। ପ୍ରତ୍ୟେକ ପଦକ୍ଷେପରେ ମୂଲ୍ୟାୟନ ମାନଦଣ୍ଡ ଆଧାରିତ ମତାମତ ମିଳେ।

ଉତ୍ସ ଓ ପରିସର

ଲୁଇସ୍ ଓ ଅନ୍ୟମାନେ, ଜ୍ଞାନଭିତ୍ତିକ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ କାର୍ଯ୍ୟ ପାଇଁ ତଥ୍ୟ ଖୋଜି ଆଣି ଉତ୍ତର ସୃଷ୍ଟି, arXiv 2020 (19 ଅକ୍ଟୋବର 2026 ରେ ଯାଞ୍ଚ କରାଯାଇଛି) ↗

Anthropic Claude ଦଲିଲ, RAG ପାଇଁ ଶବ୍ଦକୋଷ ଭୁକ୍ତି (19 ଅକ୍ଟୋବର 2026 ରେ ଯାଞ୍ଚ କରାଯାଇଛି) ↗

AWS, ତଥ୍ୟ ପୁନରୁଦ୍ଧାର ସହାୟତାରେ ବିଷୟବସ୍ତୁ ସୃଷ୍ଟି, ଏମ୍ବେଡିଂ ଓ ଭେକ୍ଟର ଡାଟାବେସ୍ କ’ଣ (ଯାଞ୍ଚ ତାରିଖ 19 October 2026) ↗

Anthropic Claude ଦଲିଲ, ଉତ୍ସ ଉଲ୍ଲେଖ ସୁବିଧା (19 ଅକ୍ଟୋବର 2026 ରେ ଯାଞ୍ଚ କରାଯାଇଛି) ↗