ವಾಸ್ತವಿಕ ಬಳಕೆಯ ಸಂದರ್ಭಗಳು ಮತ್ತು ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳ ಆಧಾರದ ಮೇಲೆ 9 RAG ಉದಾಹರಣೆಗಳು

RAG ಅನ್ನು ಗ್ರಾಹಕ ಮತ್ತು ಎಂಟರ್‌ಪ್ರೈಸ್ ಸಂದರ್ಭಗಳಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ವೆಬ್ ಹುಡುಕಾಟ, ಗ್ರಾಹಕ ಬೆಂಬಲ ಮತ್ತು AI-ಸಕ್ರಮಗೊಳಿಸಿದ ಶಾಪಿಂಗ್ RAG ನ ವಾಸ್ತವಿಕ, ದೈನಂದಿನ ಉದಾಹರಣೆಗಳಾಗಿವೆ. ಆಂತರಿಕ ಜ್ಞಾನ ಪ್ರವೇಶ ಮತ್ತು ಕೋಡಿಂಗ್ ಸಹಾಯವು ಅತ್ಯಂತ ಪ್ರಮುಖ ವ್ಯಾಪಾರ ಉದಾಹರಣೆಗಳಲ್ಲಿ ಸೇರಿವೆ.

ಬಳಕೆಯ ಸಂದರ್ಭಗಳಲ್ಲಿ RAG ಆರ್ಕಿಟೆಕ್ಚರ್ ಸಹ ಬದಲಾಗಬಹುದು. ಅತ್ಯಂತ ಸಾಮಾನ್ಯವಾದ ಎರಡು ಅನುಷ್ಠಾನಗಳೆಂದರೆ ಹೈಬ್ರಿಡ್ RAG, ಇದು ಸಾಂಪ್ರದಾಯಿಕ ಕೀವರ್ಡ್ ಹೊಂದಾಣಿಕೆಯನ್ನು ವೆಕ್ಟರ್ ಅಥವಾ ನಾಲೆಜ್ ಗ್ರಾಫ್ ಹುಡುಕಾಟದೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತದೆ ಮತ್ತು ಏಜೆಂಟಿಕ್ RAG, ಇದರಲ್ಲಿ LLM ಮರುಪಡೆಯುವಿಕೆ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಿರ್ದೇಶಿಸುತ್ತದೆ.

ರಿಟ್ರೈವಲ್-ಆಗ್ಮೆಂಟೆಡ್ ಜನರೇಷನ್ (RAG) ಎಂದರೇನು?

RAG, ಅಥವಾ ರಿಟ್ರೈವಲ್-ಆಗ್ಮೆಂಟೆಡ್ ಜನರೇಷನ್, AI ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗೆ LLM-ಉತ್ಪಾದಿಸಿದ ಉತ್ತರಗಳನ್ನು ಪೂರಕವಾಗಿ ಬಾಹ್ಯ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾದ ಮಾಹಿತಿಯನ್ನು ಪ್ರವೇಶಿಸಲು ಅನುಮತಿಸುತ್ತದೆ.

ಇದು ಶಕ್ತಿಯುತ ತಂತ್ರಜ್ಞಾನವಾಗಿದೆ ಏಕೆಂದರೆ ಇದು ಜೆನೆರೇಟಿವ್ AI ನೊಂದಿಗೆ ಮೂರು ಪ್ರಮುಖ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುತ್ತದೆ: ಭ್ರಮೆಗಳು, ಹಳಿಯಾದ ಮಾಹಿತಿ ಮತ್ತು ಇನ್‌ಪುಟ್ ಸಂದರ್ಭದಲ್ಲಿ ಸೇರಿಸದ ಡೇಟಾಗೆ ಪ್ರವೇಶದ ಕೊರತೆ.

ಮೂಲಭೂತ RAG ಪ್ರಕ್ರಿಯೆಯು ಹೇಗಿರುತ್ತದೆ ಎಂಬುದು ಇಲ್ಲಿದೆ:

1. ಬಳಕೆದಾರರು ನೈಸರ್ಗಿಕ ಭಾಷೆಯಲ್ಲಿ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ನಮೂದಿಸುತ್ತಾರೆ.
2. AI ಅಪ್ಲಿಕೇಶನ್ ಗ್ರೌಂಡಿಂಗ್ ಅಗತ್ಯವಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸುತ್ತದೆ, ಕೆಲವೊಮ್ಮೆ LLM ಭಾಗವಹಿಸುವಿಕೆಯೊಂದಿಗೆ.
3. ಡೇಟಾಬೇಸ್‌ನಂತಹ ಬಾಹ್ಯ ಮಾಹಿತಿ ಮೂಲಕ್ಕೆ ವಿನಂತಿಯನ್ನು ಕಳುಹಿಸಲಾಗುತ್ತದೆ.
4. ಮರುಪಡೆಯಲಾದ ಮಾಹಿತಿಯನ್ನು LLM ನ ಇನ್‌ಪುಟ್ ಸಂದರ್ಭಕ್ಕೆ ಸೇರಿಸಲಾಗುತ್ತದೆ.
5. ವರ್ಧಿತ ಪ್ರಾಂಪ್ಟ್ ಆಧರಿಸಿ LLM ಉತ್ತರವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.

ನಿರ್ದಿಷ್ಟ ಅನುಷ್ಠಾನದಲ್ಲಿ ಅವು ಬದಲಾಗಬಹುದಾದರೂ, ಈ ಹಂತಗಳು ಮಾದರಿ RAG ಕಾರ್ಯಪ್ರವಾಹವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ. ವಿವಿಧ ರೀತಿಯ ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸಗಳು ಕ್ಲೈಂಟ್ ಅಪ್ಲಿಕೇಶನ್ ಮೂಲಕ ವಿನಂತಿಗಳನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಮರುಪಡೆಯಲಾಗುತ್ತಿರುವ ಮಾಹಿತಿಯ ಸ್ವಭಾವದ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತವೆ.

RAG ಆರ್ಕಿಟೆಕ್ಚರ್‌ನ ಅವಲೋಕನ

"ರಿಟ್ರೈವಲ್-ಆಗ್ಮೆಂಟೆಡ್ ಜನರೇಷನ್" ಎಂಬ ಪದವು ಮೊದಲ ಬಾರಿಗೆ 2020 ರ ಪ್ರಬಂಧದಲ್ಲಿ Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks ಎಂಬ ಹೆಸರಿನಲ್ಲಿ ಕಾಣಿಸಿಕೊಂಡಿತು, ಇದನ್ನು ಯೂನಿವರ್ಸಿಟಿ ಕಾಲೇಜ್ ಲಂಡನ್ ಮತ್ತು ನ್ಯೂಯಾರ್ಕ್ ಯೂನಿವರ್ಸಿಟಿಯ ಸಹಯೋಗಿಗಳೊಂದಿಗೆ Meta AI (ಆಗ ಫೇಸ್‌ಬುಕ್ AI ರಿಸರ್ಚ್) ಸಂಶೋಧಕರು ಪ್ರಕಟಿಸಿದರು.

ಆರಂಭಿಕ ರಿಟ್ರೀವ್-ದೆನ್-ಜನರೇಟ್ ವಿಧಾನಗಳು, ಇದನ್ನು ಸಡಿಲವಾಗಿ "naive RAG" ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ನಂತರ ವಿವಿಧ ವಾಸ್ತುಶಿಲ್ಪ ಪ್ರಕಾರಗಳಾಗಿ ಬೆಳೆದಿವೆ, ಇವುಗಳಲ್ಲಿ ಹಲವು ಅತಿಕ್ರಮಿಸುತ್ತವೆ.

ನೈವ್ RAG

ನೈವ್ RAG ಸರಳವಾದ ಮರುಪಡೆಯುವಿಕೆ ಮತ್ತು ಉತ್ಪಾದನಾ ಪೈಪ್‌ಲೈನ್ ಅನ್ನು ಬಳಸುತ್ತದೆ, ಇದು ಇನ್ನೂ ಅನೇಕ ಮೂಲಭೂತ ವಿನಂತಿಗಳಿಗೆ ಸೂಕ್ತವಾಗಿದೆ. ನೈವ್ RAG ನ ಅತ್ಯಂತ ಸಾಮಾನ್ಯ ಉದಾಹರಣೆಯೆಂದರೆ ಪ್ರಶ್ನೆಯನ್ನು ವೆಕ್ಟರ್ ಎಂಬೆಡಿಂಗ್ ಎಂದು ಕರೆಯಲ್ಪಡುವ ಸಂಖ್ಯೆಗಳ ಆದೇಶಿತ ಪಟ್ಟಿಗೆ ಪರಿವರ್ತಿಸುವುದು ಅಥವಾ ಸರಳವಾಗಿ ವೆಕ್ಟರ್. ಕ್ವೆರಿ ಎಂಬೆಡಿಂಗ್ ಅನ್ನು ನಂತರ ಡೇಟಾಬೇಸ್ ಅಥವಾ ಇಂಡೆಕ್ಸ್‌ನಲ್ಲಿರುವ (ಸೆಮ್ಯಾಂಟಿಕ್ ಇಂಡೆಕ್ಸ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ) ಚಂಕ್‌ಗಳು, ವಿಷಯದ ಭಾಗಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಇತರ ವೆಕ್ಟರ್‌ಗಳೊಂದಿಗೆ ಹೊಂದಿಸಲಾಗುತ್ತದೆ.

ಅಡ್ವಾನ್ಸ್‌ಡ್ RAG

ಅಡ್ವಾನ್ಸ್‌ಡ್ RAG ಮರುಪಡೆಯುವಿಕೆಗೆ ಮೊದಲು ಮತ್ತು ನಂತರದ ಹಂತಗಳನ್ನು ಆಪ್ಟಿಮೈಸ್ ಮಾಡುತ್ತದೆ. ತಂತ್ರಗಳಲ್ಲಿ ಪ್ರಶ್ನೆ ವಿಸ್ತರಣೆ, ಮೆಟಾಡೇಟಾ ಫಿಲ್ಟರಿಂಗ್ ಮತ್ತು ಸಂದರ್ಭ ಸಂಕೋಚನ ಸೇರಿವೆ. ಇವು ಮೂಲಭೂತವಾಗಿ ಮರುಪಡೆಯಲಾದ ಮಾಹಿತಿಯ ಪ್ರಸ್ತುತತೆಯನ್ನು ಮತ್ತು LLM ನ ಇನ್‌ಪುಟ್ ಸಂದರ್ಭಕ್ಕೆ ಸೇರಿಸುವ ಮೊದಲು ಅದನ್ನು ಹೇಗೆ ಮಾರ್ಪಡಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ಸುಧಾರಿಸುತ್ತವೆ.

ಏಜೆಂಟಿಕ್ RAG

ಏಜೆಂಟ್ RAG ಎಂಬುದು LLM-ಆಧಾರಿತ ಏಜೆಂಟ್ ಮೂಲಕ RAG ಪೈಪ್‌ಲೈನ್‌ಗಳ ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಯಾಗಿದೆ. ನಿರ್ದಿಷ್ಟ ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಯಾವ ಉಪಕರಣಗಳು ಉತ್ತಮವಾಗಿವೆ ಎಂದು ಏಜೆಂಟ್ “ನಿರ್ಧರಿಸುತ್ತದೆ” ಮತ್ತು ಸೂಕ್ತವಾದ ಉತ್ತರವನ್ನು ರಚಿಸಲು ಕೆಲವೊಮ್ಮೆ ಲೂಪ್‌ನಲ್ಲಿ ಮರುಪಡೆಯುವಿಕೆಯನ್ನು ನಿರ್ದೇಶಿಸುತ್ತದೆ.

ಗ್ರಾಫ್ RAG

ಗ್ರಾಫ್ RAG ನಾಲೆಜ್ ಗ್ರಾಫ್‌ನಿಂದ ಮಾಹಿತಿಯನ್ನು ಮರುಪಡೆಯುತ್ತದೆ, ಇದು ಘಟಕಗಳನ್ನು (ವಸ್ತುಗಳು, ಪರಿಕಲ್ಪನೆಗಳು ಮತ್ತು ಈವೆಂಟ್‌ಗಳಂತಹ) ಮತ್ತು ಅವುಗಳ ನಡುವಿನ ಸಂಬಂಧಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಉತ್ತರಿಸಲು LLM ವಿಭಿನ್ನ ಘಟಕಗಳ ಕುರಿತು ಮಾಹಿತಿಯನ್ನು ಸಂಯೋಜಿಸುವ ಅಗತ್ಯವಿರುವಾಗ ಇದು ಉಪಯುಕ್ತವಾಗಿದೆ.

ಮಲ್ಟಿಮೋಡಲ್ RAG

ಮಲ್ಟಿಮೋಡಲ್ RAG ಪ್ರಶ್ನೆ ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆ ಎರಡರ ಸಂದರ್ಭದಲ್ಲೂ ಚಿತ್ರಗಳು ಮತ್ತು ಆಡಿಯೊದಂತಹ ವಿಷಯಗಳಿಗೆ ಮರುಪಡೆಯುವಿಕೆಯನ್ನು ವಿಸ್ತರಿಸುತ್ತದೆ. ಈ RAG ಪೈಪ್‌ಲೈನ್‌ಗಳು ಪಠ್ಯ, ಚಿತ್ರಗಳು ಅಥವಾ ಆಡಿಯೊವನ್ನು ಎಂಬೆಡಿಂಗ್‌ಗಳಾಗಿ ಪರಿವರ್ತಿಸಲು ವಿಶೇಷ ಎಕೋಡರ್‌ಗಳನ್ನು ಬಳಸುತ್ತವೆ.

ಹೈಬ್ರಿಡ್ RAG

ಹೈಬ್ರಿಡ್ RAG ಕೀವರ್ಡ್ ಹುಡುಕಾಟ ಅಥವಾ ಲೆಕ್ಸಿಕಲ್ ಮರುಪಡೆಯುವಿಕೆಯನ್ನು ವೆಕ್ಟರ್ ಮರುಪಡೆಯುವಿಕೆ ಅಥವಾ ನಾಲೆಜ್ ಗ್ರಾಫ್‌ಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತದೆ ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ವಿಲೀನಗೊಳಿಸುತ್ತದೆ. ಇದು ಉಪಯುಕ್ತವಾಗಿದೆ ಏಕೆಂದರೆ ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ಕೀವರ್ಡ್ ಹೊಂದಾಣಿಕೆಯು ಹೆಚ್ಚು ನಿಖರವಾಗಿರುತ್ತದೆ (ಇತರ ವಿಧಾನಗಳಿಗಿಂತ ಹೆಚ್ಚು).

ಕರೆಕ್ಟಿವ್ RAG

ಕರೆಕ್ಟಿವ್ RAG ಪ್ರಶ್ನೆಗೆ ಅದರ ಪ್ರಸ್ತುತತೆಗಾಗಿ ಹಿಂತಿರುಗಿಸಿದ ಮಾಹಿತಿ ಅಥವಾ ಡೇಟಾವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ. ಇದು ಮರುಪಡೆಯಲಾದ ಹಾದಿಗಳನ್ನು ಪರಿಷ್ಕರಿಸಬಹುದು ಅಥವಾ ಪೂರಕಗೊಳಿಸಬಹುದು ಅಥವಾ ಮತ್ತೊಂದು ವಿನಂತಿಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವ ಮೂಲಕ ಅವುಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಬದಲಾಯಿಸಬಹುದು.

ಬಳಕೆಯ ಸಂದರ್ಭ ಮತ್ತು ಉದ್ಯಮ ಅಪ್ಲಿಕೇಶನ್ ಮೂಲಕ RAG ಉದಾಹರಣೆಗಳು

ಗ್ರಾಹಕ ಮತ್ತು ವ್ಯಾಪಾರ ಕ್ಷೇತ್ರಗಳೆರಡರಲ್ಲೂ RAG ನ ಅನೇಕ ಉದಾಹರಣೆಗಳಿವೆ. RAG ಪೈಪ್‌ಲೈನ್‌ಗಳನ್ನು ಹೆಚ್ಚಿನ ಮುಖ್ಯವಾಹಿನಿಯ ಸಾಧನಗಳಲ್ಲಿ ಸಂಯೋಜಿಸಿರುವುದು ಇದಕ್ಕೆ ಪ್ರಮುಖ ಕಾರಣವಾಗಿದೆ. ಇದರ ಜೊತೆಗೆ, ಅನೇಕ ಮಾರಾಟಗಾರರು ಗ್ರಾಹಕ ಸೇವಾ ಚಾಟ್‌ಬಾಟ್‌ಗಳಿಗಾಗಿ ಔಟ್-ಆಫ್-ದಿ-ಬಾಕ್ಸ್ ಇಂಟಿಗ್ರೇಷನ್‌ಗಳನ್ನು ನೀಡುತ್ತಾರೆ, ಇದು ಅಳವಡಿಕೆಯನ್ನು ಸುಲಭಗೊಳಿಸಿದೆ.

1. ವೆಬ್ ಹುಡುಕಾಟ

ವೆಬ್ ಹುಡುಕಾಟವು RAG ನ ಅತ್ಯಂತ ವ್ಯಾಪಕವಾದ ಉದಾಹರಣೆಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಪ್ರತಿದಿನ, ಲಕ್ಷಾಂತರ ಜನರು ವೆಬ್‌ನಿಂದ ಮರುಪಡೆಯಲಾದ ಮಾಹಿತಿಯಲ್ಲಿ ಆಧಾರಿತವಾದ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ರಚಿಸಲು AI ಸಾಧನಗಳನ್ನು ಬಳಸುತ್ತಾರೆ.

ಇದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: AI ಅಪ್ಲಿಕೇಶನ್ ಕೀವರ್ಡ್-ಆಧಾರಿತ ಮತ್ತು ಸೆಮ್ಯಾಂಟಿಕ್ ಮರುಪಡೆಯುವಿಕೆಯನ್ನು ಬಳಸಿ Google Search ಇಂಡೆಕ್ಸ್‌ನಂತಹ ವೆಬ್ ಇಂಡೆಕ್ಸ್ ಅನ್ನು ಹುಡುಕುತ್ತದೆ. LLM ನ ಇನ್‌ಪುಟ್‌ನಲ್ಲಿ ಬಳಕೆದಾರರ ಪ್ರಶ್ನೆಯ ಜೊತೆಗೆ ಸಂಬಂಧಿತ ಪುಟದ ವಿಷಯವನ್ನು ಸೇರಿಸಲಾಗುತ್ತದೆ. LLM ನಂತರ ಮೂಲ ಉಲ್ಲೇಖಗಳೊಂದಿಗೆ ಸಾಮಾನ್ಯವಾಗಿ ಉತ್ತರವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.

ವಾಸ್ತವಿಕ ಉದಾಹರಣೆ: ಬಳಕೆದಾರರು Perplexity ನ ಚಾಟ್ ಇಂಟರ್ಫೇಸ್‌ನಲ್ಲಿ ಸರಳವಾದ ಪ್ರಶ್ನೆಯನ್ನು ಟೈಪ್ ಮಾಡಿದರೆ, ಉದಾಹರಣೆಗೆ, "ಚಿಕಾಗೋದಲ್ಲಿ ಹವಾಮಾನ ಹೇಗಿದೆ?", LLM ನವೀಕೃತ ಮಾಹಿತಿಯನ್ನು ಹುಡುಕಲು ವೆಬ್ ಹುಡುಕಾಟವನ್ನು ನಡೆಸುತ್ತದೆ. Perplexity ಪಾಲುದಾರ ಹುಡುಕಾಟ API ಗಳ ಜೊತೆಯಲ್ಲಿ ಸ್ವಾಮ್ಯದ ವೆಬ್ ಇಂಡೆಕ್ಸ್ ಅನ್ನು ಬಳಸುತ್ತದೆ.

ವಿಸ್ತರಿಸಿ

2. ಗ್ರಾಹಕ ಬೆಂಬಲ

ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿನ ಮತ್ತು ವೆಬ್‌ಸೈಟ್ ಚಾಟ್‌ಬಾಟ್‌ಗಳು RAG ನ ಪ್ರಮುಖ ಎಂಟರ್‌ಪ್ರೈಸ್ ಬಳಕೆಯ ಸಂದರ್ಭವಾಗಿ ಹೊರಹೊಮ್ಮಿವೆ. ಈ ವ್ಯವಸ್ಥೆಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಸಾಂಪ್ರದಾಯಿಕ ರೂಟಿಂಗ್ ಮಾರ್ಗಗಳೊಂದಿಗೆ ಜೋಡಿಯಾಗುತ್ತವೆ, ಗ್ರಾಹಕ ಪ್ರತಿನಿಧಿಗಳ ಭಾಗವಹಿಸುವಿಕೆಯ ಅಗತ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

ಇದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: ಗ್ರಾಹಕರು ಪ್ರಶ್ನೆಯನ್ನು ಕೇಳಿದಾಗ, ಅಪ್ಲಿಕೇಶನ್ ಸಾಮಾನ್ಯವಾಗಿ ಹೈಬ್ರಿಡ್ ಪೈಪ್‌ಲೈನ್ ಬಳಸಿ ಕಂಪನಿಯ ಜ್ಞಾನದ ಮೂಲವನ್ನು ಹುಡುಕುತ್ತದೆ. ಮರುಪಡೆಯಲಾದ ಹಾದಿಗಳನ್ನು LLM ಗೆ ಒದಗಿಸಲಾಗುತ್ತದೆ, ಇದು ಉತ್ತರವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಉತ್ತರವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಮತ್ತು ಅಗತ್ಯವಿರುವಲ್ಲಿ ಪ್ರತಿನಿಧಿಗೆ ರೂಟ್ ಮಾಡಲು ಸಾಮಾನ್ಯವಾಗಿ ಸರಿಪಡಿಸುವ ಮತ್ತು ಹ್ಯಾಂಡ್-ಆಫ್ ಪ್ರಕ್ರಿಯೆಗಳು ಸಹ ಒಳಗೊಂಡಿರುತ್ತವೆ.

ವಾಸ್ತವಿಕ ಉದಾಹರಣೆ: Zendesk (ಕೆಳಗೆ ಚಿತ್ರಿಸಲಾಗಿದೆ) ಮತ್ತು Intercom ಸೇರಿದಂತೆ ವಿವಿಧ ಗ್ರಾಹಕ ಸೇವಾ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ದಸ್ತಾವೇಜನ್ನು ಮತ್ತು ಗ್ರಾಹಕ ಬೆಂಬಲ ನೆಲೆಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸುವ ಪ್ಲಗ್-ಅಂಡ್-ಪ್ಲೇ ಗ್ರಾಹಕ ಬೆಂಬಲ ಚಾಟ್‌ಬಾಟ್‌ಗಳನ್ನು ನೀಡುತ್ತವೆ.

ವಿಸ್ತರಿಸಿ

3. ವೈಯಕ್ತಿಕ ಸಹಾಯಕರು

ವೈಯಕ್ತಿಕ ಸಹಾಯಕರು ಬಳಕೆದಾರರ ಇಮೇಲ್‌ಗಳು, ಫೈಲ್‌ಗಳು ಮತ್ತು ಕ್ಯಾಲೆಂಡರ್ ಅನ್ನು ಪ್ರವೇಶಿಸಲು ಏಜೆಂಟಿಕ್ RAG ಅನ್ನು ಬಳಸುತ್ತಾರೆ. ಈ ಸಹಾಯಕರು ಸಾಮಾನ್ಯವಾಗಿ ಬಹು RAG ಪೈಪ್‌ಲೈನ್‌ಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು.

ಇದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: ವೈಯಕ್ತಿಕ ಸಹಾಯಕರಿಗೆ প্রায়ই ಬಹು ಮಾಹಿತಿ ಮೂಲಗಳಿಗೆ ಪ್ರವೇಶದ ಅಗತ್ಯವಿರುವುದರಿಂದ, ಅವರು API ಗಳು, ಕೀವರ್ಡ್ ಹುಡುಕಾಟ, ವೆಕ್ಟರ್ ಹುಡುಕಾಟ ಮತ್ತು ನಾಲೆಜ್ ಗ್ರಾಫ್‌ಗಳ ಮಿಶ್ರಣವನ್ನು ಬಳಸುತ್ತಾರೆ. ವಿಭಿನ್ನ ಉಪಕರಣ ವಿವರಗಳನ್ನು ಅಪ್ಲಿಕೇಶನ್‌ನಿಂದ LLM ಗೆ ಕಳುಹಿಸಲಾಗುತ್ತದೆ, ಇದು ನಂತರ ಹೆಚ್ಚು ಸೂಕ್ತವಾದವುಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ.

ವಾಸ್ತವಿಕ ಉದಾಹರಣೆ: Google Gemini ಸಾಮಾನ್ಯ ಉದ್ದೇಶದ ಮತ್ತು ವೈಯಕ್ತಿಕ AI ಸಹಾಯಕನಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಲ್ಲ ಅಪ್ಲಿಕೇಶನ್‌ಗೆ ಉತ್ತಮ ಉದಾಹರಣೆಯಾಗಿದೆ (ಈಗಿನ ದಿನಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ಸಹಾಯಕರಿರುವಂತೆ). ಇದು Gmail, Docs, Photos ಮತ್ತು Calendar ನಂತಹ ಸಾಧನಗಳ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತದೆ.

ವಿಸ್ತರಿಸಿ

4. ಎಂಟರ್‌ಪ್ರೈಸ್ ಜ್ಞಾನ ನಿರ್ವಹಣೆ

ಎಂಟರ್‌ಪ್ರೈಸ್ ಜ್ಞಾನ ನಿರ್ವಹಣೆಯು ಉದ್ಯೋಗಿಗಳಿಗೆ ನೀತಿಗಳು, ವರದಿಗಳು, ಪ್ರಾಜೆಕ್ಟ್ ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳು, ಕಾನೂನು ಪಠ್ಯಗಳು ಮತ್ತು ಆಂತರಿಕ ಚರ್ಚೆಗಳು ಸೇರಿದಂತೆ ಕಂಪನಿಯ ಮಾಹಿತಿಯ ವಿಶಾಲವಾದ ದೇಹದಾದ್ಯಂತ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಲು ಅನುಮತಿಸುತ್ತದೆ.

ಇದು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ: ಮೂಲ ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳು ಬದಲಾದಂತೆ ನವೀಕರಿಸಲ್ಪಡುವ ವೆಕ್ಟರ್ ಸೂಚ್ಯಂಕವನ್ನು ಬಳಸಿಕೊಂಡು ಅಪ್ಲಿಕೇಶನ್ ಸಂಬಂಧಿತ ವಿಷಯವನ್ನು ಮರುಪಡೆಯುತ್ತದೆ. ಸೂಚ್ಯಂಕವು ಡಾಕ್ಯುಮೆಂಟ್ ತುಣುಕುಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಎಂಬೆಡಿಂಗ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಅವುಗಳ ಪಠ್ಯ ಮತ್ತು ಸಂಬಂಧಿತ ಮೆಟಾಡೇಟಾಗೆ ಲಿಂಕ್‌ಗಳೊಂದಿಗೆ.

ವಾಸ್ತವಿಕ ಉದಾಹರಣೆ: Microsoft 365 Copilot ಡೇಟಾ ಮೂಲಗಳಿಗಾಗಿ ವಿವಿಧ API ಗಳನ್ನು ಒದಗಿಸುವ Microsoft Graph ಮೂಲಕ ಸಾಂಸ್ಥಿಕ ಮಾಹಿತಿಯನ್ನು ಪ್ರವೇಶಿಸುತ್ತದೆ ಮತ್ತು ಸಂಬಂಧಿತ ವಿಷಯವನ್ನು ಮರುಪಡೆಯಲು ಲೆಕ್ಸಿಕಲ್ ಮತ್ತು ಸೆಮ್ಯಾಂಟಿಕ್ ಇಂಡೆಕ್ಸ್‌ಗಳನ್ನು ಬಳಸುತ್ತದೆ.

ವಿಸ್ತರಿಸಿ

5. ಕೋಡಿಂಗ್ ಸಹಾಯಕರು

ಕೋಡಿಂಗ್ ಸಹಾಯಕರು ಕೋಡ್‌ಬೇಸ್‌ಗೆ RAG ಅನ್ನು ಅನ್ವಯಿಸುತ್ತಾರೆ. ಆಧಾರವಾಗಿರುವ RAG ಪ್ರಕ್ರಿಯೆಯು ಒಂದೇ ಆಗಿದ್ದರೂ (ಸಾಮಾನ್ಯವಾಗಿ ಏಜೆಂಟಿಕ್ RAG), ವ್ಯತ್ಯಾಸವೆಂದರೆ ಅವು ನಿರ್ದಿಷ್ಟವಾಗಿ ಕೋಡ್ ಸಂದರ್ಭದೊಂದಿಗೆ ವ್ಯವಹರಿಸುತ್ತವೆ.

ಇದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: ಕೋಡಿಂಗ್ ಸಹಾಯಕರು ಸ್ಥಳೀಯ ಪ್ರಾಜೆಕ್ಟ್ ಫೈಲ್‌ಗಳನ್ನು ಇಂಡೆಕ್ಸ್ ಮಾಡುತ್ತಾರೆ ಮತ್ತು ಪ್ರಾಂಪ್ಟ್ ಮಾಡಿದಾಗ ಸಂಬಂಧಿತ ಕೋಡ್ ಸ್ನಿಪ್ಪಿಟ್‌ಗಳನ್ನು ಹುಡುಕಲು ಬಹು-ಹುಡುಕಾಟ ಪಾಸ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತಾರೆ. ಈ ಸಹಾಯಕರು ಸಾಮಾನ್ಯವಾಗಿ ಕಾರ್ಪೊರೇಟ್ ಜ್ಞಾನ ನೆಲೆಗಳಂತಹ ಪ್ರವೇಶವನ್ನು ವಿಸ್ತರಿಸಲು ಮೀಸಲಾದ ಕನೆಕ್ಟರ್‌ಗಳನ್ನು ಸಹ ಹೊಂದಿರುತ್ತಾರೆ.

ವಾಸ್ತವಿಕ ಉದಾಹರಣೆ: GitHub Copilot ಎಂಬುದು ಅಭಿವೃದ್ಧಿ ಪ್ರಾಜೆಕ್ಟ್‌ಗಳೊಂದಿಗೆ ನೇರವಾಗಿ ಸಂಯೋಜಿಸುವ ಕೋಡಿಂಗ್ ಸಹಾಯಕದ ಪ್ರಸಿದ್ಧ ಉದಾಹರಣೆಯಾಗಿದೆ. ಉತ್ತರದ ನಿಖರತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಇದು ಸಾರ್ವಜನಿಕ GitHub ರೆಪೊಸಿಟರಿಗಳನ್ನು ಸಹ ಉಲ್ಲೇಖಿಸಬಹುದು.

ವಿಸ್ತರಿಸಿ

6. ತಾಂತ್ರಿಕ ದೋಷನಿವಾರಣೆ

ತಾಂತ್ರಿಕ ದೋಷನಿವಾರಣೆಯು ಜ್ಞಾನ ನಿರ್ವಹಣೆ RAG ಪೈಪ್‌ಲೈನ್ ಅನ್ನು ಡಯಾಗ್ನೋಸ್ಟಿಕ್ ಲೂಪ್‌ನೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತದೆ. ಅಗತ್ಯವಿರುವಂತೆ ದೋಷನಿವಾರಣೆ ಶಿಫಾರಸುಗಳನ್ನು ಮತ್ತಷ್ಟು ಪರಿಷ್ಕರಿಸಲು ಏಜೆಂಟ್ ಫಲಿತಾಂಶಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಬಹುದು.

ಇದು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ: ಅಪ್ಲಿಕೇಶನ್ ಬಳಕೆದಾರರಿಂದ ತಾಂತ್ರಿಕ ಸಮಸ್ಯೆಯ ಲಕ್ಷಣಗಳನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ ಅಥವಾ ಸ್ವಯಂಚಾಲಿತ ಮೇಲ್ವಿಚಾರಣಾ ಎಚ್ಚರಿಕೆಗಳನ್ನು ಸ್ವೀಕರಿಸುತ್ತದೆ. ಇದು ಲಕ್ಷಣಗಳನ್ನು ಕ್ರಾಸ್-ಚೆಕ್ ಮಾಡಲು ದೋಷ ಸಂದೇಶಗಳು, ತಾಂತ್ರಿಕ ಲಾಗ್‌ಗಳು ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳ ಹುಡುಕಾಟವನ್ನು ಪ್ರಚೋದಿಸುತ್ತದೆ. ಇದು ನಂತರ LLM ಗೆ ರವಾನಿಸಲು ಆಂತರಿಕ ಜ್ಞಾನ ಬೇಸ್‌ನಿಂದ ಸಂಬಂಧಿತ ಮಾಹಿತಿಯನ್ನು ಮರುಪಡೆಯುತ್ತದೆ. ಪ್ರಯತ್ನಿಸಿದ ಪರಿಹಾರದ ಫಲಿತಾಂಶಗಳು ಬಳಕೆದಾರರಿಂದ ಅಥವಾ ರೋಗನಿರ್ಣಯದ ಉಪಕರಣದಿಂದ LLM ಗೆ ಹಿಂತಿರುಗಿದಾಗ ರೋಗನಿರ್ಣಯದ ಲೂಪ್ ಸಂಭವಿಸುತ್ತದೆ.

ವಾಸ್ತವಿಕ ಉದಾಹರಣೆ: ಅಬ್ಸರ್ವಬಿಲಿಟಿ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ Datadog (ಕೆಳಗೆ ಚಿತ್ರಿಸಲಾಗಿದೆ) ಸಿಸ್ಟಮ್‌ನ ಎಲ್ಲಾ ಪದರಗಳಿಂದ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ, ಯಾವುದೇ ಸಮಸ್ಯೆಗಳು ಉದ್ಭವಿಸಿದಾಗ ಅವುಗಳನ್ನು ಫ್ಲ್ಯಾಗ್ ಮಾಡುತ್ತದೆ. ಸಂಭಾವ್ಯ ಪರಿಹಾರಗಳನ್ನು ದೋಷನಿವಾರಣೆ ಮಾಡಲು ಇವುಗಳನ್ನು ನಂತರ Bits AI ಎಂಬ ವಿಶೇಷ AI ಏಜೆಂಟ್‌ಗೆ ಫೀಡ್ ಮಾಡಲಾಗುತ್ತದೆ.

ವಿಸ್ತರಿಸಿ

7. ಏಜೆಂಟಿಕ್ ವಾಣಿಜ್ಯ

ಏಜೆಂಟಿಕ್ ವಾಣಿಜ್ಯವು ವಿಶಾಲವಾದ ಬಳಕೆಯ ಸಂದರ್ಭವಾಗಿದ್ದು ಅದು ಸಾಮಾನ್ಯವಾಗಿ RAG ಅನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಶಾಪಿಂಗ್ ಏಜೆಂಟ್ ಆಯ್ಕೆಗಳನ್ನು ಹೋಲಿಸಲು ಮತ್ತು ಶಿಫಾರಸುಗಳನ್ನು ವಿವರಿಸಲು ಉತ್ಪನ್ನದ ನಿರ್ದಿಷ್ಟತೆಗಳು, ವಿಮರ್ಶೆಗಳು, ಬೆಲೆಗಳು ಮತ್ತು ಲಭ್ಯತೆಯಂತಹ ವಿವರಗಳನ್ನು ಮರುಪಡೆಯುತ್ತದೆ. ಇದು ಬಳಕೆದಾರರು ಇಂಟರ್ಫೇಸ್ ಬಿಡದೆ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಖರೀದಿಯನ್ನು ಮಾಡಬಹುದು.

ಇದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: ಏಜೆಂಟಿಕ್ ವಾಣಿಜ್ಯವು ನಿಜವಾದ ಏಜೆಂಟಿಕ್ RAG ಆಗಿದೆ ಏಕೆಂದರೆ ನಿರ್ದಿಷ್ಟ ಪ್ರಶ್ನೆಗಳಿಗೆ প্রায়ই ವಿಭಿನ್ನ ಮರುಪಡೆಯುವಿಕೆ ರೂಪಗಳ ಅಗತ್ಯವಿರುತ್ತದೆ, ಅದನ್ನು ಮಾದರಿಯು ನಿರ್ದೇಶಿಸುತ್ತದೆ. ಏಜೆಂಟ್ ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರಿಯ API ಮೂಲಕ ಪಠ್ಯ-ಮಾತ್ರ ಉತ್ಪನ್ನ ಡೇಟಾವನ್ನು ಮರುಪಡೆಯಬಹುದು ಅಥವಾ ಬಳಕೆದಾರರ ಫೋಟೋಗ್ರಾಫ್ ಆಧಾರದ ಮೇಲೆ ಸೆಮ್ಯಾಂಟಿಕ್ ಇಂಡೆಕ್ಸ್‌ನಲ್ಲಿ ಉತ್ಪನ್ನಗಳನ್ನು ಹೊಂದಿಸಲು ಇದು ಮಲ್ಟಿಮೋಡಲ್ RAG ಅನ್ನು ಬಳಸಬಹುದು.

ವಾಸ್ತವಿಕ ಉದಾಹರಣೆ: Perplexity ನಂತಹ ಸಾಮಾನ್ಯ ಉದ್ದೇಶದ ಏಜೆಂಟ್ ಪ್ರಾಂಪ್ಟ್ ಆಧಾರದ ಮೇಲೆ ಬಹು ಚಿತ್ರಗಳು ಮತ್ತು ವಿವರವಾದ ಉತ್ಪನ್ನ ನಿರ್ದಿಷ್ಟತೆಗಳನ್ನು ಮರುಪಡೆಯಬಹುದು. ಇನ್‌ಸ್ಟಂಟ್ ಬೈ ಚೆಕ್‌ಔಟ್ ವೈಶಿಷ್ಟ್ಯವು ಉತ್ಪನ್ನವನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ ನಂತರ ಖರೀದಿಯನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಬಳಕೆದಾರರಿಗೆ ಅನುಮತಿಸುತ್ತದೆ.

ವಿಸ್ತರಿಸಿ

8. ಜ್ಞಾನದ ವಿಶೇಷ ಡೊಮೇನ್‌ಗಳು

ವಿಶೇಷ ಡೊಮೇನ್ ಜ್ಞಾನವನ್ನು ಮರುಪಡೆಯುವ AI ಸಾಧನಗಳು ಸಂಕೀರ್ಣ ವಿಷಯ ಸ್ವರೂಪಗಳೊಂದಿಗೆ ವ್ಯವಹರಿಸಬೇಕು. ಇದರ ಜೊತೆಗೆ, ಭ್ರಮೆಗಳು ಮತ್ತು ಮಾಹಿತಿ ಅಂತರವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು ಸಾಮಾನ್ಯವಾಗಿ ಆದ್ಯತೆಯಾಗಿದೆ.

ಇದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: ಸಾಮಾನ್ಯ ಉದ್ದೇಶದ ಮತ್ತು ವಿಶೇಷ RAG ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳ ನಡುವಿನ ಪ್ರಮುಖ ವ್ಯತ್ಯಾಸವು ಮೂಲ ವಸ್ತು ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆ ಕಾನ್ಫಿಗರೇಶನ್‌ಗೆ ಸಂಬಂಧಿಸಿದೆ. ಸಾಮಾನ್ಯವಾಗಿ, ಅತ್ಯಂತ ಅಧಿಕಾರಯುತವಾದ ಇಂಡೆಕ್ಸ್ ಅನ್ನು ಮಾತ್ರ ಪ್ರಶ್ನಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಹುಡುಕಾಟಗಳನ್ನು ಕಿರಿದಾಗಿಸಲು ನಿರ್ದಿಷ್ಟ ಪದಗಳನ್ನು ಸೇರಿಸಲು ವಿನಂತಿಯನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡಲಾಗುತ್ತದೆ.

ವಾಸ್ತವಿಕ ಉದಾಹರಣೆ: ಶೈಕ್ಷಣಿಕ ಸಂಶೋಧನಾ ಸಾಧನ Scite ಪ್ರಕಾಶಕರ ಒಪ್ಪಂದಗಳು ಮತ್ತು ಮುಕ್ತ ಪ್ರವೇಶ ಮೂಲಗಳ ಮೂಲಕ ನಿರ್ಮಿಸಲಾದ ಶೈಕ್ಷಣಿಕ ಪ್ರಬಂಧಗಳು ಮತ್ತು ಉಲ್ಲೇಖ ಡೇಟಾದ ದೊಡ್ಡ ಇಂಡೆಕ್ಸ್ ಅನ್ನು ಪ್ರವೇಶಿಸುತ್ತದೆ. ಇದು ಸಂಪೂರ್ಣ ಉತ್ತರವನ್ನು ಉತ್ಪಾದಿಸುವ ಮೊದಲು ಮೂಲ ಪರಿಶೀಲನೆಯಂತಹ ಮರುಪಡೆಯುವಿಕೆ ನಂತರದ ಪರಿಶೀಲನೆಗಳನ್ನು ಸಹ ಅನ್ವಯಿಸುತ್ತದೆ.

ವಿಸ್ತರಿಸಿ

9. ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ

ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಗಾಗಿ RAG ವಿಶೇಷವಾಗಿ ಶಕ್ತಿಯುತ ಎಂಟರ್‌ಪ್ರೈಸ್ ಬಳಕೆಯ ಸಂದರ್ಭವಾಗಿ ಮಾರ್ಪಟ್ಟಿದೆ ಏಕೆಂದರೆ ಇದು ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ವೃತ್ತಿಪರರಿಗೆ, ವಿಶೇಷವಾಗಿ ಡೇಟಾ ವಿಜ್ಞಾನದಲ್ಲಿ ತರಬೇತಿ ಇಲ್ಲದವರಿಗೆ ನೈಸರ್ಗಿಕ ಭಾಷೆಯನ್ನು ಬಳಸಿ ಡಾಟಾಸೆಟ್‌ಗಳನ್ನು ಪ್ರಶ್ನಿಸಲು ಅನುಮತಿಸುತ್ತದೆ. ಇದು ವರದಿಗಳನ್ನು ರಚಿಸುವುದನ್ನು ಮತ್ತು ಅತ್ಯಂತ ನಿರ್ದಿಷ್ಟವಾದ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳುವುದನ್ನು ಸುಲಭಗೊಳಿಸುತ್ತದೆ.

ಇದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: “ಕಳೆದ ತ್ರೈಮಾಸಿಕದಲ್ಲಿ ಮಾರಾಟವು ಏಕೆ ಕುಸಿಯಿತು?” ಎಂಬ ಪ್ರಶ್ನೆಗೆ, ಅಪ್ಲಿಕೇಶನ್ ಮಾರಾಟ ದಾಖಲೆಗಳನ್ನು ಪ್ರಶ್ನಿಸಬಹುದು ಮತ್ತು ಸ್ಟಾಕ್ ಕೊರತೆಗಳು ಅಥವಾ ಬೆಲೆ ಬದಲಾವಣೆಗಳ ಕುರಿತು ಟಿಪ್ಪಣಿಗಳನ್ನು ಮರುಪಡೆಯಬಹುದು. ವಿಶ್ಲೇಷಣೆಯನ್ನು ಉತ್ಪಾದಿಸುವ ಮೊದಲು LLM ಮರುಪಡೆಯಲಾದ ಡೇಟಾಗೆ ಸೂಕ್ತವಾದ ಲೆಕ್ಕಾಚಾರವನ್ನು (ಇದು ಸಾಮಾನ್ಯವಾಗಿ ಲೆಕ್ಕಾಚಾರದ ಉಪಕರಣಕ್ಕೆ ನಿಯೋಜಿಸಲ್ಪಡುತ್ತದೆ) ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ.

ವಾಸ್ತವಿಕ ಉದಾಹರಣೆ: Google Analytics ವೆಬ್ ಅನಾಲಿಟಿಕ್ಸ್ ಡೇಟಾವನ್ನು ಪ್ರವೇಶಿಸಬಲ್ಲ ಮತ್ತು ಬಳಕೆದಾರರಿಂದ ಅತ್ಯಂತ ನಿರ್ದಿಷ್ಟವಾದ, ಸೂಕ್ಷ್ಮವಾದ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಬಲ್ಲ AI “Ask Advisor” ಚಾಟ್‌ಬಾಟ್ ಅನ್ನು ನೀಡುತ್ತದೆ. ಇದು ಎಂಟರ್‌ಪ್ರೈಸ್-ಗ್ರೇಡ್, ಕ್ಲೋಸ್ಡ್-ಸಿಸ್ಟಮ್ RAG ನ ಅತ್ಯುತ್ತಮ ವಾಸ್ತವಿಕ ಉದಾಹರಣೆಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ.

ವಿಸ್ತರಿಸಿ

RAG ನ ವಿಕಾಸದಲ್ಲಿ ಮುಂದೇನು?

RAG ಅನ್ನು ಮೊದಲ ಬಾರಿಗೆ ಪರಿಚಯಿಸಿದಾಗ ಅದು ಗಮನಾರ್ಹ ಅಭಿವೃದ್ಧಿಯಾಗಿತ್ತು. ಇದು ಸ್ವತಂತ್ರ LLM ಗಳಲ್ಲಿ ಅಂತರ್ಗತವಾಗಿರುವ ಅನೇಕ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಸಹಾಯ ಮಾಡಿತು.

ಆದಾಗ್ಯೂ, ಇದು ಕೇವಲ ಸ್ಥಿರ ತಂತ್ರಜ್ಞಾನದಿಂದ ದೂರವಿದೆ. ಪ್ರಸ್ತುತ ಸಂಶೋಧನೆಯು ಆಳವಾದ ಮಲ್ಟಿಮೋಡಲ್ ರಿಟ್ರೈವಲ್ ಮತ್ತು ನಿಖರತೆ ಹಾಗೂ ಸರಿಯಾಗಿರುವಿಕೆಗಾಗಿ ಮರುಪಡೆಯಲಾದ ಸಂದರ್ಭದ ಹೆಚ್ಚು ಕಠಿಣವಾದ ಪ್ರಕ್ರಿಯೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕೃತವಾಗಿದೆ. ಇದರ ಜೊತೆಗೆ, ಬಹು-ಉಪಕರಣ ಏಜೆಂಟ್‌ಗಳಲ್ಲಿ RAG ನ ಹೆಚ್ಚಿನ ಏಕೀಕರಣವನ್ನು ನಾವು ಕಾಣುವ ಸಾಧ್ಯತೆಯಿದೆ.

ಅತಿ ದೊಡ್ಡ ಇನ್‌ಪುಟ್ ವಿಂಡೋಗಳಿದ್ದರೂ ಸಹ, ವೈಯಕ್ತಿಕ ಮತ್ತು ವೃತ್ತಿಪರ ಸಂದರ್ಭಗಳಲ್ಲಿ RAG ಗಾಗಿ ಪ್ರಮುಖ ಬಳಕೆಯ ಸಂದರ್ಭಗಳಿವೆ ಮತ್ತು ಇನ್ನೂ ಅನೇಕ ನಾವೀನ್ಯತೆಗಳು ಬರಲಿವೆ.