RAG எந்தப் பிரச்சினையைத் தீர்க்கிறது?
உங்கள் நிறுவனத்தின் ஆவணங்களை AI மாதிரி அறியாமல் இருப்பது அல்லது உலகைப் பற்றிய பழைய தகவல்களை மட்டுமே அறிந்திருப்பது ஆகிய சிக்கல்களுக்கு RAG தீர்வளிக்கிறது. மாதிரிக்கு மறுபயிற்சி அளிப்பதற்குப் பதிலாக, அது பதிலளிக்கும் நேரத்தில் சரியான பகுதிகளை அதற்கு வழங்குகிறீர்கள்.
டைட்வாட்டர் டிராவல் என்ற கற்பனையான, 50 பேர் கொண்ட சுற்றுலா நிறுவனத்தை எடுத்துக்கொள்ளுங்கள். அதன் முன்பதிவுக் குழு, விதிமுறைகளும் நடைமுறைகளும் அடங்கிய 90 பக்கக் கையேட்டைப் பற்றி ஒரே கேள்விகளை மீண்டும் மீண்டும் கேட்கிறது. குழுத் தலைவர் லியான் ஒரு பொதுப் பயன்பாட்டு உரையாடல் கருவியை முயன்றார்: 'புறப்படுவதற்கு 10 நாட்களுக்கு முன் முதன்மைப் பயணியின் பெயரை வாடிக்கையாளர் மாற்ற முடியுமா, அதற்குக் கட்டணம் உண்டா?' அந்தக் கருவி விமான நிறுவன விதிகளைப் பற்றியும் டைட்வாட்டர் வசூலிக்காத ஒரு கட்டணத்தைப் பற்றியும் நம்பிக்கையுடன் ஒரு பொதுவான பதிலை அளித்தது. உண்மையான பதில் கையேட்டின் பிரிவு 4.2-இல் உள்ளது. அந்தக் கையேட்டைக் கருவி பார்த்ததே இல்லை.
தகவல் மீட்பால் மேம்படுத்தப்பட்ட உருவாக்கம் எப்படிச் செயல்படுகிறது?
தகவல் மீட்பால் மேம்படுத்தப்பட்ட உருவாக்கம் மூன்று கட்டங்களில் செயல்படுகிறது: கேள்விக்கு மிகவும் பொருத்தமான பகுதிகளை மீட்டெடுத்தல், அவற்றை வழிமுறையில் சேர்த்தல், பின்னர் அவற்றின் அடிப்படையில் மாதிரி பதிலை உருவாக்க அனுமதித்தல். Anthropic நிறுவனத்தின் கலைச்சொல் விளக்கமும் இதே கருத்தை விவரிக்கிறது: கேள்வி கேட்கப்படும் நேரத்தில், அறிவுத் தொகுப்பிலிருந்து பொருத்தமான தகவல்கள் மீட்டெடுக்கப்பட்டு, அசல் கேள்வியுடன் மாதிரிக்கு வழங்கப்படுகின்றன.
இந்தச் சொல், பேட்ரிக் லூயிஸும் அவரது சக ஆய்வாளர்களும் எழுதிய 2020 ஆய்வுக் கட்டுரையிலிருந்து வந்தது. அந்த ஆய்வு, ஒரு மொழி மாதிரியுடன் தேடக்கூடிய ஆவணக் குறியீட்டை இணைத்தது. மொழி மாதிரியை மட்டும் பயன்படுத்தியதைவிட, இப்படிக் கிடைத்த பதில்கள் குறிப்பானவையாகவும் உண்மைத் தகவல்கள் சார்ந்தவையாகவும் இருந்தன.
1. ஆவணங்களைத் தயார்செய்யுங்கள்
கையேடு சிறு பகுதிகளாகப் பிரிக்கப்படுகிறது; ஒவ்வொரு பகுதியும் ஒரு பிரிவாகவோ சில பத்திகளாகவோ இருக்கலாம். இதனால் தேடல் முழுக் கையேட்டிற்குப் பதிலாகத் தேவையான உரைப் பகுதியை மட்டும் வழங்க முடியும்.
2. பொருளின் அடிப்படையில் அவற்றை அட்டவணைப்படுத்துங்கள்
ஒவ்வொரு பகுதியும் அதன் பொருளைக் குறிக்கும் எண்களின் பட்டியலான ஒரு உட்பொதிவாக மாற்றப்பட்டு, திசையன் தரவுத்தளத்தில் சேமிக்கப்படுகிறது. கேள்விகளுடன் பொருத்திப் பார்க்கும் வகையில் தரவை எண் வடிவப் பிரதிநிதித்துவங்களாக மாற்றுவதே இந்தப் படி என AWS விவரிக்கிறது.
3. மீட்டெடுங்கள்
கேள்வியும் அதே முறையில் மாற்றப்பட்டு, மிக நெருக்கமாகப் பொருந்தும் உரைத் துண்டுகளைக் கண்டறிய அட்டவணையுடன் ஒப்பிடப்படுகிறது. பல அமைப்புகள் இதனுடன் வழக்கமான முக்கியச் சொல் தேடலையும் பயன்படுத்துகின்றன.
4. AI-க்கான வழிமுறையில் கூடுதல் தகவலைச் சேருங்கள்
மிகவும் பொருத்தமான உரைப் பகுதிகள், 'இந்தப் பகுதிகளை மட்டும் அடிப்படையாகக் கொண்டு பதிலளித்து, சம்பந்தப்பட்ட பிரிவை மேற்கோள் காட்டவும்' என்பது போன்ற அறிவுறுத்தலுடன் AI-க்கான வழிமுறையில் சேர்க்கப்படுகின்றன.
5. உருவாக்கவும்
வழங்கப்பட்ட உரையைப் பயன்படுத்தி மாதிரி பதிலை எழுதுகிறது. அது பயன்படுத்திய பகுதிகளை நேரடியாக மேற்கோள் காட்டுவதோ அவற்றுக்கான ஆதாரக் குறிப்புகளை வழங்குவதோ சிறந்தது.
RAG உடன் வழங்கப்படும் பதிலும் அது இல்லாமல் வழங்கப்படும் பதிலும் எப்படி இருக்கும்?
RAG இல்லாமல்: 'பெரும்பாலான பயண நிறுவனங்கள், விமான நிறுவனத்தின் கொள்கைக்கு உட்பட்டு, ஒருவருக்கு சுமார் 50 முதல் 100 வரையிலான கட்டணத்தில் பெயர் மாற்றங்களை அனுமதிக்கின்றன.' இது உதவியாகத் தோன்றலாம். ஆனால் இது டைட்வாட்டரின் கொள்கை அல்ல; இந்தத் தகவல் எங்கிருந்து வந்தது என்பதை யாராலும் சரிபார்க்க முடியாது.
RAG உடன்: அமைப்பு கையேட்டின் 4.2 மற்றும் 4.5 பிரிவுகளை மீட்டெடுக்கிறது; மாதிரி இவ்வாறு பதிலளிக்கிறது: 'ஆம். புறப்படுவதற்கு 7 நாட்கள் முன்பு வரை முதன்மைப் பயணியின் பெயரை இலவசமாக மாற்ற 4.2 பிரிவு அனுமதிக்கிறது. விமானப் பயணம் அடங்கிய தொகுப்புகளுக்கு விமான நிறுவனத்தின் சொந்த மாற்றக் கட்டணம் விதிக்கப்படலாம் என்றும், அதை முன்பதிவு அமைப்பு காட்டும் என்றும் 4.5 பிரிவு கூறுகிறது. ஆதாரம்: கையேட்டின் 4.2 மற்றும் 4.5 பிரிவுகள்.' லியோன் இரண்டு பிரிவுகளையும் திறந்து சில நொடிகளில் பதிலைச் சரிபார்க்கலாம். கையேடு மாறினால், புதிய பதிப்பு அட்டவணைப்படுத்தப்பட்டவுடன் பதிலும் மாறும்.
RAG எப்போது பயன்படுத்த வேண்டும், எப்போது பயன்படுத்தக் கூடாது?
பதில்கள் குறிப்பிட்ட, மாறிக்கொண்டிருக்கும் ஆவணத் தொகுப்பிலிருந்து வர வேண்டியிருக்கும்போதும், பயனர்கள் மூலத்தைப் பார்க்க வேண்டியிருக்கும்போதும் RAG-ஐப் பயன்படுத்துங்கள். கொள்கைக் கையேடுகள், தயாரிப்பு ஆவணங்கள், ஆதரவு அறிவுத் தளங்கள், ஒப்பந்தத் தொகுப்புகள் ஆகியவற்றுக்கு இது பொருத்தமானது. சமீபத்திய தகவல்கள், துறைசார் அறிவு, மூலங்களைத் தெளிவாக மேற்கோள் காட்டுதல் ஆகியவற்றுக்கு இது குறிப்பாகப் பயனுள்ளதாக இருப்பதாக Anthropic-இன் சொற்களஞ்சியம் குறிப்பிடுகிறது.
ஆவணங்களை நேரடியாகவே வழிமுறையில் ஒட்டக்கூடிய அளவுக்கு அவை சிறியதாக இருக்கும்போதும், பணி உண்மைகளைவிட நடை அல்லது வடிவத்தைச் சார்ந்ததாக இருக்கும்போதும், மூல ஆவணங்களே நம்பகமற்றவையாக இருக்கும்போதும் RAG சரியான தீர்வு அல்ல. அது அணுகல் அனுமதிகளுக்கும் மாற்றாகாது: ஒரு பகுதி மீட்டெடுக்கப்பட்டால், மாதிரி அதை மீண்டும் வெளியிடலாம். எனவே மீட்டெடுப்பதற்கு முன்பே அணுகல் கட்டுப்பாடுகள் செயல்படுத்தப்பட வேண்டும்.
தகவல் மீட்பால் மேம்படுத்தப்பட்ட உருவாக்கத்தில் எவ்வாறு தவறுகள் ஏற்படுகின்றன?
RAG பொதுவாகத் தவறுவது பதிலை உருவாக்கும் கட்டத்தில் அல்ல, தகவலை மீட்டெடுக்கும் கட்டத்தில்தான்: தவறான பகுதி கிடைத்தால், அதை அடிப்படையாகக் கொண்டு மாதிரி உறுதியான பதிலை எழுதிவிடும். RAG எவ்வளவு சிறப்பாகச் செயல்படுகிறது என்பது அறிவுத் தளத்தின் தரம் மற்றும் பொருத்தத்தையும், மீட்டெடுக்கப்படும் தகவலையும் பொறுத்தது என்று Anthropic குறிப்பிடுகிறது.
தவறான அல்லது முழுமையற்ற பகுதி
விதிவிலக்கு உள்ள பகுதி, விதி உள்ள உரைத் துண்டிலிருந்து வேறொரு துண்டில் இருப்பதால், பதில் அதைத் தவறவிடுகிறது.
காலாவதியான அல்லது நகல் பதிப்புகள்
கடந்த ஆண்டின் கையேடும் இந்த ஆண்டின் கையேட்டுடன் இன்னும் தேடல் குறியீட்டில் உள்ளது; பழைய கையேடு மீட்டெடுக்கப்படுகிறது.
மாதிரி மூல உரையிலிருந்து விலகுகிறது
மாதிரி, தேடி எடுக்கப்பட்ட உரையுடன் தனது பொதுவான அறிவையும் கலக்கிறது. ஆதாரங்களில் உள்ளவற்றை மட்டும் பயன்படுத்திப் பதிலளிக்குமாறு அறிவுறுத்துவதும், மேற்கோள்களைத் தெளிவாகக் காட்டுவதும் இதைக் கண்டறிவதை எளிதாக்குகின்றன.
நல்ல பதில் எதுவும் இல்லை
கணினி அமைப்பு ஊகிப்பதற்குப் பதிலாக, ஆவணங்களில் அந்தக் கேள்விக்கான தகவல் இல்லை என்று சொல்ல வேண்டும்.
Tosheo.ai பாடத் தொகுப்பில் RAG எந்தப் பகுதியில் இடம்பெறுகிறது?
AI செயலிகளை உருவாக்கும் பயிற்சியில், AI செயலிகளை உருவாக்குதல் பிரிவில் தகவல் மீட்பால் மேம்படுத்தப்பட்ட உருவாக்கம் இடம்பெறுகிறது. நிறுவன ஆவணங்களை அடிப்படையாகக் கொண்ட AI உதவியாளர்களுடன் பணிபுரியும் எவருக்கும், இந்தப் பாடம் கருத்தாக்கத்தை விளக்கும் பதிப்பாகும். பதிவுசெய்த பிறகு கிடைக்கும் நிரலாக்கப் பாதையில், ஆவணங்களைப் பகுதிகளாகப் பிரித்து எண்வடிவப் பிரதிநிதித்துவங்களை உருவாக்குவதிலிருந்து, தகவலை மீட்டெடுத்து ஆதார மேற்கோள்களுடன் பதிலளிப்பது வரை, ஒரு சிறிய RAG செயலியைச் செய்முறையாக உருவாக்கலாம். ஒவ்வொரு படியிலும் மதிப்பீட்டு வழிகாட்டி அடிப்படையிலான பின்னூட்டம் கிடைக்கும்.
மூலங்களும் வரம்பும்
Anthropic Claude ஆவணங்கள், மேற்கோள் அம்சம் (சரிபார்க்கப்பட்டது: 19 October 2026) ↗