Retrieval-augmented generation (RAG)
Retrieval-augmented generation (RAG) ialah teknik AI di mana sistem mula-mula mengambil petikan relevan daripada pangkalan pengetahuan tertentu, seperti panduan agronomi atau peraturan, kemudian model bahasa menjana jawapan berasaskan petikan tersebut, selalunya disertakan rujukan sumber.
Juga dikenali sebagai: RAG · penjanaan berasaskan sumber · AI berbantukan capaian
Mengapa ia penting?
Dalam pertanian dan pematuhan, jawapan perlu sesuai dengan tanaman, kawasan, musim atau teks undang-undang tertentu. Model bahasa yang berdiri sendiri boleh menghasilkan jawapan yang lancar tetapi tidak tepat. RAG mengasaskan jawapan pada himpunan pengetahuan yang disemak, seperti manual lanjutan pertanian, amalan pertanian baik, standard pensijilan atau EUDR, yang boleh dikemas kini tanpa perlu melatih semula model. Pendekatan ini pertama kali diterangkan dalam kajian oleh Lewis dan rakan-rakan (2020).
Bagaimana ia berfungsi?
- Bina pangkalan pengetahuan: kumpul dan semak dokumen, pecahkan kepada petikan dan indekskan.
- Capai (retrieve): bagi setiap soalan, cari petikan paling relevan, selalunya menggunakan carian semantik.
- Jana (generate): berikan petikan dan soalan kepada model bahasa, dengan arahan supaya ia menjawab berdasarkan petikan tersebut.
- Rujuk dan nilai: tunjukkan sumber, uji jawapan terhadap soalan yang disemak pakar, dan kumpul maklum balas pengguna.
Perangkap biasa
- Pangkalan pengetahuan yang sudah lapuk atau tidak disesuaikan dengan keadaan tempatan.
- Mencampurkan sumber yang berbeza tahap kebolehpercayaan tanpa menyusun keutamaannya.
- Tiada set penilaian, menyebabkan kualiti tidak dapat dipastikan.
- Jawapan dalam bahasa atau tahap bacaan yang tidak digunakan oleh petani.
Agronomis AI Farmer1st menggunakan jawapan berasaskan sumber daripada pengetahuan agronomi yang disemak, bagi menyokong petani dan pasukan yang bekerja bersama mereka.
Soalan lazim
Mengapa guna RAG berbanding chatbot biasa?
Model biasa menjawab berdasarkan apa yang dipelajari semasa latihan, yang mungkin sudah lapuk, terlalu umum atau tidak tepat untuk konteks tempatan. RAG mengehadkan jawapan kepada sumber yang disahkan dan terkini, serta membolehkan sumber rujukan yang menyokong jawaban itu ditunjukkan.
Adakah RAG menghapuskan kesilapan AI?
Tidak. Ia mengurangkan jawapan yang tidak disokong oleh sumber, tetapi masih bergantung pada kualiti dan liputan pangkalan pengetahuan, proses capaian serta penilaian. Semakan oleh manusia dan gelung maklum balas tetap penting.
Beritahu kami tentang rantaian bekalan anda.
Sepuluh minit bersama pembantu skop kami. Kami akan kembali dengan lakaran awal perkhidmatan anda.
