پاسخ بر پایه اطلاعات قابل مراجعه
وقتی کارمند درباره یک رویه داخلی سؤال می‌کند، دانش عمومی مدل برای پاسخ دقیق کافی نیست. در روش RAG، سامانه ابتدا اطلاعات مرتبط را از منابع بیرونی بازیابی می‌کند و سپس آن‌ها را در زمینه پاسخ مدل قرار می‌دهد. به این ترتیب می‌توان پاسخ را به مستندات سازمان و اطلاعات قابل به‌روزرسانی متصل کرد.
این روش نیاز به آموزش دوباره مدل برای هر تغییر سند را کاهش می‌دهد، اما خطا را از بین نمی‌برد. اگر جست‌وجو بخش نامرتبط یا نسخه قدیمی یک دستورالعمل را برگرداند، پاسخ نیز ممکن است گمراه‌کننده شود. منبع نمایش‌داده‌شده باید واقعاً از ادعای پاسخ پشتیبانی کند، نه اینکه تنها ظاهری مستند به آن بدهد.
کیفیت از سند شروع می‌شود
برای شروع، بهتر است یک مجموعه کوچک از اسناد معتبر انتخاب شود. هر سند به مالک، تاریخ بازبینی و وضعیت اعتبار نیاز دارد. فایل‌های تکراری، پیش‌نویس‌های تأییدنشده و تصویرهای ناخوانا می‌توانند کیفیت جست‌وجو را پایین بیاورند. پاک‌سازی همین مجموعه محدود معمولاً از افزودن بی‌هدف هزاران فایل سودمندتر است.
در اسناد فارسی، نیم‌فاصله، شکل‌های متفاوت حروف و جدول‌های پیچیده باید بررسی شوند. بریدن متن در وسط یک بند یا جداکردن عدد از عنوان جدول، معنای اطلاعات را تغییر می‌دهد. پیشنهاد می‌شود نمونه‌های بازیابی‌شده با نسخه اصلی تطبیق داده شوند تا ساختار و ارتباط جمله‌ها هنگام آماده‌سازی حفظ شده باشد.
مجوز مشاهده سند باید در مسیر جست‌وجو نیز رعایت شود. دستیار یک کاربر نباید از محتوایی پاسخ بسازد که همان کاربر اجازه خواندنش را ندارد. همچنین لازم است نبود اطلاعات یا تعارض میان دو سند را روشن اعلام کند و برای پرسش‌های مبهم، اطلاعات تکمیلی بخواهد.
با پرسش‌های واقعی ارزیابی کنید
مجموعه‌ای از پرسش‌های پرتکرار کارکنان تهیه کنید و درستی بازیابی، صحت پاسخ و اعتبار ارجاع را جداگانه بسنجید. موارد بدون جواب را هم در آزمون قرار دهید. هدف، ساخت سامانه‌ای است که هم پاسخ مفید می‌دهد و هم می‌داند چه زمانی اطلاعات کافی در اختیار ندارد.
توضیح‌ها و پیشنهادهای اجرایی این مطلب، تحلیل تحریریه دانشنامه لیان هستند.منابع: Google Cloud — Retrieval-Augmented Generation · Google Cloud — Optimizing RAG Retrieval
این مطلب بازنویسی تحلیلی دانشنامه لیان بر پایه منبع اصلی است.مشاهده منبع اصلی
