நிஜ உலக பயன்பாட்டு வழக்குகள் மற்றும் கட்டமைப்புகளின் அடிப்படையில் 9 RAG எடுத்துக்காட்டுகள்

நுகர்வோர் மற்றும் நிறுவனச் சூழல்கள் இரண்டிலும் RAG பரவலாகப் பயன்படுத்தப்படுகிறது. வலைத் தேடல், வாடிக்கையாளர் ஆதரவு மற்றும் AI-இயக்கப்பட்ட ஷாப்பிங் ஆகியவை RAG இன் நிஜ உலக, அன்றாட எடுத்துக்காட்டுகளாகும். உள் அறிவு அணுகல் மற்றும் குறியீட்டு உதவி ஆகியவை மிக முக்கியமான வணிக எடுத்துக்காட்டுகளில் அடங்கும்.

பயன்பாட்டு நிகழ்வுகளிலும் RAG கட்டமைப்பு மாறுபடலாம். மிகவும் பொதுவான இரண்டு செயலாக்கங்கள் கலப்பின RAG (இது பாரம்பரிய முக்கிய சொத்துப் பொருத்தத்தை வெக்டர் அல்லது அறிவு வரைபடத் தேடலுடன் ஒருங்கிணைக்கிறது) மற்றும் ஏஜென்ட் RAG (இதற்காக ஒரு LLM மீட்டெடுப்பு செயல்முறையை இயக்குகிறது) ஆகும்.

மீட்டெடுப்பு-உதவி உருவாக்கம் (RAG) என்றால் என்ன?

RAG அல்லது மீட்டெடுப்பு-உதவி உருவாக்கம், LLM-உருவாக்கிய பதில்களை நிறைவு செய்ய வெளிப்புற அமைப்புகளில் சேமிக்கப்பட்ட தகவலை அணுக AI பயன்பாடுகளை அனுமதிக்கிறது.

இது ஒரு சக்திவாய்ந்த தொழில்நுட்பமாகும், ஏனெனில் இது ஜெனரேட்டிவ் AI இல் உள்ள மூன்று முக்கிய சிக்கல்களைத் தீர்க்கிறது: பிரமைகள், காலாவதியான தகவல் மற்றும் உள்ளீட்டு சூழலில் சேர்க்கப்படாத தரவை அணுக முடியாதது.

அடிப்படை RAG செயல்முறை எப்படி இருக்கும் என்பது இங்கே:

1. பயனர் இயற்கையான மொழியில் ஒரு தூண்டுதலை (ப்ராம்ட்) உள்ளிடுகிறார்.
2. AI பயன்பாடு அடிப்படையாக்குதல் (grounding) தேவையா என்பதைத் தீர்மானிக்கிறது, சில நேரங்களில் LLM ஈடுபாட்டுடன்.
3. தரவுத்தளம் போன்ற வெளிப்புற தகவல் மூலத்திற்கு ஒரு கோரிக்கை அனுப்பப்படுகிறது.
4. மீட்டெடுக்கப்பட்ட தகவல் LLM இன் சூழல் உள்ளீட்டில் சேர்க்கப்படுகிறது.
5. செறிவூட்டப்பட்ட தூண்டுதலின் (ப்ராம்ட்) அடிப்படையில் LLM ஒரு பதிலை உருவாக்குகிறது.

குறிப்பிட்ட செயலாக்கத்தில் அவை மாறுபடலாம் என்றாலும், இந்தப் படிகள் ஒரு வழக்கமான RAG பணிப்பாய்வைக் குறிக்கின்றன. பல்வேறு வகையான கட்டமைப்புகளுக்கு இடையிலான வேறுபாடுகள், கிளையன்ட் பயன்பாட்டால் கோரிக்கைகள் எவ்வாறு கையாளப்படுகின்றன மற்றும் மீட்டெடுக்கப்படும் தகவலின் தன்மை ஆகியவற்றை மையமாகக் கொண்டுள்ளன.

RAG கட்டமைப்பின் கண்ணோட்டம்

"Retrieval-Augmented Generation" என்ற சொல் முதலில் Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks என்ற 2020 ஆய்வுக் கட்டுரையில் தோன்றியது, இது Meta AI (அப்போது Facebook AI Research) ஆராய்ச்சியாளர்களால் யுனிவர்சிட்டி காலேஜ் லண்டன் மற்றும் நியூயார்க் பல்கலைக்கழகத்தின் ஒத்துழைப்பாளர்களுடன் வெளியிடப்பட்டது.

ஆரம்பகால மீட்டு-பின்னர்-உருவாக்கும் அணுகுமுறைகள், தளர்வாக “naive RAG” என்று குறிப்பிடப்படுகின்றன, பின்னர் பல்வேறு வகையான கட்டமைப்புகளாக உருவெடுத்துள்ளன, அவற்றில் பல ஒன்றுக்கொன்று மேலவைகளாக உள்ளன.

Naive RAG

Naive RAG ஒரு எளிய மீட்டெடுப்பு மற்றும் உருவாக்கு பைப்லைனைப் பயன்படுத்துகிறது, இது இன்னும் பல அடிப்படை கோரிக்கைகளுக்குப் பொருத்தமானது. Naive RAG இன் மிகவும் பொதுவான உதாரணம், ஒரு வினவலை வெக்டர் எம்பிக்கிங் எனப்படும் எண்களின் வரிசைப்படுத்தப்பட்ட பட்டியலாக மாற்றுவது அல்லது வெறுமனே வெக்டர் ஆகும். வினவல் எம்பிக்கிங் பின்னர் தரவுத்தளம் அல்லது குறியீட்டில் உள்ள பகுதிகள், உள்ளடக்கத்தின் பகுதிகளைக் (செமண்டிக் இன்டெக்ஸ் என்று அழைக்கப்படுகிறது) குறிக்கும் பிற வெக்டர்களுடன் பொருத்தப்படுகிறது.

மேம்பட்ட RAG (Advanced RAG)

மேம்பட்ட RAG மீட்டெடுப்பிற்கு முன்பும் பின்பும் உள்ள நிலைகளை மேம்படுத்துகிறது. நுட்பங்களில் வினவல் விரிவாக்கம், மெட்டாடேட்டா வடிகட்டுதல் மற்றும் சூழல் சுருக்கம் ஆகியவை அடங்கும். இவை அடிப்படையில் மீட்டெடுக்கப்படும் தகவலின் பொருத்தத்தையும், LLM இன் உள்ளீட்டு சூழலில் சேர்க்கப்படுவதற்கு முன்பு அது எவ்வாறு மாற்றப்படுகிறது என்பதையும் மேம்படுத்துகின்றன.

ஏஜென்ட் RAG (Agentic RAG)

ஏஜென்ட் RAG என்பது ஒரு LLM-அடிப்படையிலான ஏஜென்ட் மூலம் RAG பைப்லைன்களை இயக்குவதாகும். கொடுக்கப்பட்ட தூண்டுதலுக்கு எந்தக் கருவிகள் சிறந்தது என்பதை ஏஜென்ட் "முடிவு செய்கிறது" மற்றும் பொருத்தமான பதிலை உருவாக்க மீட்டெடுப்பை இயக்குகிறது, சில நேரங்களில் ஒரு சுழற்சியில்.

வரைபடம் RAG (Graph RAG)

வரைபடம் RAG ஆனது நிறுவனங்கள் (பொருட்கள், கருத்துகள் மற்றும் நிகழ்வுகள் போன்றவை) மற்றும் அவற்றுக்கிடையேயான உறவுகளைக் குறிக்கும் அறிவு வரைபடத்திலிருந்து தகவலை மீட்டெடுக்கிறது. ஒரு தூண்டுதலுக்கான பதிலுக்கு தனித்தனி நிறுவனங்கள் பற்றிய தகவல்களை LLM இணைக்க வேண்டியிருக்கும் போது இது பயனுள்ளதாக இருக்கும்.

பல்வகை RAG (Multimodal RAG)

பல்வகை RAG ஆனது வினவல் மற்றும் மீட்டெடுப்பு இரண்டின் போதும் படங்கள் மற்றும் ஆடியோ போன்ற உள்ளடக்கத்திற்கு மீட்டெடுப்பை நீட்டிக்கிறது. இந்த RAG பைப்லைன்கள் உரை, படங்கள் அல்லது ஆடியோவை எம்பிக்கிங்குகளாக மாற்ற சிறப்பு என்கோடர்களைப் பயன்படுத்துகின்றன.

கலப்பின RAG (Hybrid RAG)

கலப்பின RAG முக்கிய சொத்துத் தேடல் அல்லது லெக்சிகல் மீட்டெடுப்பை, வெக்டர் மீட்டெடுப்பு அல்லது அறிவு வரைபடங்களுடன் ஒருங்கிணைத்து முடிவுகளை இணைக்கிறது. சில சூழல்களில் முக்கிய சொத்துப் பொருத்தம் மிகவும் துல்லியமாக இருக்கக்கூடும் (பிற முறைகளைக் காட்டிலும்) என்பதால் இது பயனுள்ளதாக இருக்கும்.

திருத்தப்பட்ட RAG (Corrective RAG)

திருத்தப்பட்ட RAG ஆனது திரும்பப் பெறப்பட்ட தகவல் அல்லது தரவை வினவலுடன் அதன் பொருத்தம் குறித்து மதிப்பிடுகிறது. இது மீட்டெடுக்கப்பட்ட பகுதிகளை செம்மைப்படுத்தலாம் அல்லது பூர்த்தி செய்யலாம் அல்லது மற்றொரு கோரிக்கையை இயக்குவதன் மூலம் அவற்றை முழுமையாக மாற்றலாம்.

பயன்பாட்டு வழக்கு மற்றும் தொழில் பயன்பாட்டின் மூலம் RAG எடுத்துக்காட்டுகள்

நுகர்வோர் மற்றும் வணிகத் துறைகள் இரண்டிலும் பல RAG எடுத்துக்காட்டுகள் உள்ளன. RAG பைப்லைன்கள் பெரும்பாலான மெயின்ஸ்ட்ரீம் கருவிகளில் ஒருங்கிணைக்கப்பட்டுள்ளதே இதற்கு முக்கியக் காரணம். கூடுதலாக, பல விற்பனையாளர்கள் வாடிக்கையாளர் சேவை சாட்போட்டுகள் போன்ற அவுட்-ஆஃப்-தி-பாக்ஸ் ஒருங்கிணைப்புகளை வழங்குகிறார்கள், இது ஏற்றுக்கொள்ளுதலை எளிதாக்கியுள்ளது.

1. வலைத் தேடல்

வலைத் தேடல் என்பது RAG இன் மிகவும் பரவலான எடுத்துக்காட்டுகளில் ஒன்றாகும். ஒவ்வொரு நாளும், மில்லியன் கணக்கான மக்கள் வலையிலிருந்து மீட்டெடுக்கப்பட்ட தகவலில் தங்கியிருக்கும் பதில்களை உருவாக்க AI கருவிகளைப் பயன்படுத்துகின்றனர்.

இது எவ்வாறு செயல்படுகிறது: AI பயன்பாடு முக்கிய சொத்து-அடிப்படையிலான மற்றும் செமண்டிக் மீட்டெடுப்பைப் பயன்படுத்தி, Google Search இன்டெக்ஸ் போன்ற வலை இன்டெக்ஸைத் தேடுகிறது. LLM இன் உள்ளீட்டில் பயனரின் கேள்வியுடன் தொடர்புடைய பக்க உள்ளடக்கம் சேர்க்கப்படுகிறது. LLM ஆனது மூல மேற்கோள்களுடன் வழக்கமாக ஒரு பதிலை உருவாக்குகிறது.

நிஜ உலக எடுத்துக்காட்டு: பயனர் Perplexity இன் அரட்டை இடைமுகத்தில், “சிகாகோவில் வானிலை எப்படி இருக்கிறது?” போன்ற ஒரு எளிய வினவலைத் தட்டச்சு செய்தால், புதுப்பித்த தகவலைக் கண்டறிய LLM வலைத் தேடலை நடத்தும். Perplexity கூட்டாளர் தேடல் APIகளுடன் இணைந்து தனியுரிம வலை இன்டெக்ஸைப் பயன்படுத்துகிறது.

விரிவாக்கு

2. வாடிக்கையாளர் ஆதரவு

இன்-ஆப் மற்றும் வலைத்தள சாட்போட்டுகள் RAG இன் ஒரு முக்கிய நிறுவன பயன்பாட்டு வழக்கமாக வெளிப்பட்டுள்ளன. இந்த அமைப்புகள் வழக்கமாக பாரம்பரிய ரூட்டிங் பாதைகளுடன் இணைகின்றன, வாடிக்கையாளர் பிரதிநிதிகளின் ஈடுபாட்டின் தேவையைக் குறைக்கின்றன.

இது எவ்வாறு செயல்படுகிறது: ஒரு வாடிக்கையாளர் கேள்வியைக் கேட்கும்போது, பயன்பாடு நிறுவனத்தின் அறிவுத் தளத்தைத் தேடுகிறது, பெரும்பாலும் கலப்பின பைப்லைனைப் பயன்படுத்துகிறது. மீட்டெடுக்கப்பட்ட பகுதிகள் LLMக்கு வழங்கப்படுகின்றன, இது ஒரு பதிலை உருவாக்குகிறது. பதிலைச் சரிபார்க்கவும், தேவைப்பட்டால், பிரதிநிதிக்கு அனுப்பவும் திருத்த மற்றும் கைமாற்றும் செயல்முறைகளும் பொதுவாக இதில் அடங்கும்.

நிஜ உலக எடுத்துக்காட்டு: Zendesk (கீழே படம் காட்டப்பட்டுள்ளது) மற்றும் Intercom உள்ளிட்ட பல்வேறு வாடிக்கையாளர் சேவை தளங்கள், ஏற்கனவே உள்ள ஆவணங்கள் மற்றும் வாடிக்கையாளர் ஆதரவு தளங்களுடன் ஒருங்கிணைக்கும் பிளக்-அண்ட்-ப்ளே வாடிக்கையாளர் ஆதரவு சாட்போட்டுகளை வழங்குகின்றன.

விரிவாக்கு

3. தனிப்பட்ட உதவியாளர்கள்

தனிப்பட்ட உதவியாளர்கள் பயனரின் மின்னஞ்சல்கள், கோப்புகள் மற்றும் காலண்டரை அணுக ஏஜென்ட் RAG ஐப் பயன்படுத்துகின்றனர். இந்த உதவியாளர்கள் பொதுவாக பல RAG பைப்லைன்களை இயக்க முடியும்.

இது எவ்வாறு செயல்படுகிறது: தனிப்பட்ட உதவியாளர்களுக்கு பல தகவல் மூலங்களுக்கான அணுகல் அடிக்கடி தேவைப்படுவதால், அவர்கள் APIகள், முக்கிய சொத்துத் தேடல், வெக்டர் தேடல் மற்றும் அறிவு வரைபடங்களின் கலவையைப் பயன்படுத்துகின்றனர். வெவ்வேறு கருவி விளக்கங்கள் பயன்பாட்டால் LLMக்கு அனுப்பப்படுகின்றன, பின்னர் அது மிகவும் பொருத்தமானவற்றைத் தேர்ந்தெடுக்கிறது.

நிஜ உலக எடுத்துக்காட்டு: பொதுவான நோக்கம் கொண்ட மற்றும் தனிப்பட்ட AI உதவியாளராக செயல்படக்கூடிய ஒரு பயன்பாட்டிற்கு Google Gemini ஒரு நல்ல எடுத்துக்காட்டாகச் செயல்படுகிறது (இப்போது பெரும்பாலான உதவியாளர்களின் வழக்கு போல). இது Gmail, Docs, Photos மற்றும் Calendar போன்ற கருவிகளின் சுற்றுச்சூழல் அமைப்புடன் ஒருங்கிணைக்கிறது.

விரிவாக்கு

4. Enterprise அறிவு மேலாண்மை

Enterprise அறிவு மேலாண்மை, கொள்கைகள், அறிக்கைகள், திட்ட ஆவணங்கள், சட்ட நூல்கள் மற்றும் உள் விவாதங்கள் உள்ளிட்ட பரந்த அளவிலான நிறுவனத் தகவல்களில் கேள்விகளைக் கேட்க ஊழியர்களை அனுமதிக்கிறது.

இது எவ்வாறு செயல்படுகிறது: மூல ஆவணங்கள் மாறும்போது புதுப்பிக்கப்படும் வெக்டர் இன்டெக்ஸைப் பயன்படுத்தி பயன்பாடு தொடர்புடைய உள்ளடக்கத்தை மீட்டெடுக்கிறது. இன்டெக்ஸ் ஆவணத் துண்டுகளைக் குறிக்கும் எம்பிக்கிங்குகளைக் கொண்டுள்ளது, அவற்றின் உரை மற்றும் தொடர்புடைய மெட்டாடேட்டாவிற்கான இணைப்புகளுடன்.

நிஜ உலக எடுத்துக்காட்டு: Microsoft 365 Copilot ஆனது தரவு மூலங்களுக்கான பல்வேறு APIகளை வெளிப்படுத்தும் Microsoft Graph மூலம் நிறுவனத் தகவலை அணுகுகிறது, மேலும் தொடர்புடைய உள்ளடக்கத்தை மீட்டெடுக்க லெக்சிகல் மற்றும் செமண்டிக் இன்டெக்ஸைப் பயன்படுத்துகிறது.

விரிவாக்கு

5. குறியீட்டு உதவியாளர்கள்

குறியீட்டு உதவியாளர்கள் ஒரு குறியீட்டுத் தொகுப்பில் RAG ஐப் பயன்படுத்துகின்றனர். அடிப்படை RAG செயல்முறை ஒன்றுதான் என்றாலும் (பொதுவாக ஏஜென்ட் RAG), அவை குறிப்பாக குறியீட்டு சூழலைக் கையாள்கின்றன என்பதே வித்தியாசம்.

இது எவ்வாறு செயல்படுகிறது: குறியீட்டு உதவியாளர்கள் உள்ளூர் திட்டக் கோப்புகளை அட்டவணைப்படுத்தி, தூண்டப்படும்போது தொடர்புடைய குறியீட்டுத் துணுக்குகளைக் கண்டறிய பல-தேடல் தேர்வுகளைச் செய்கின்றன. இந்த உதவியாளர்கள் நிறுவன அறிவுத் தளங்கள் போன்ற அணுகலை நீட்டிக்க அர்ப்பணிக்கப்பட்ட இணைப்பான்களையும் வழக்கமாகக் கொண்டுள்ளனர்.

நிஜ உலக எடுத்துக்காட்டு: GitHub Copilot என்பது மேம்பாட்டுத் திட்டங்களுடன் நேரடியாக ஒருங்கிணைக்கும் ஒரு குறியீட்டு உதவியாளரின் அறியப்பட்ட எடுத்துக்காட்டாகும். பதிலின் துல்லியத்தை அதிகரிக்க இது பொதுவான GitHub களஞ்சியங்களையும் குறிப்பிடலாம்.

விரிவாக்கு

6. தொழில்நுட்ப சிக்கல் தீர்த்தல்

தொழில்நுட்ப சிக்கல் தீர்த்தல் என்பது அறிவு மேலாண்மை RAG பைப்லைனை கண்டறிதல் சுழற்சியுடன் ஒருங்கிணைக்கிறது. தேவைக்கேற்ப சிக்கல் தீர்க்கும் பரிந்துரைகளை மேலும் செம்மைப்படுத்த ஒரு ஏஜென்ட் முடிவுகளை மதிப்பீடு செய்யலாம்.

இது எவ்வாறு செயல்படுகிறது: ஒரு பயன்பாடு பயனரிடமிருந்து தொழில்நுட்ப சிக்கலின் அறிகுறிகளைச் சேகரிக்கிறது அல்லது தானியங்கு கண்காணிப்பு எச்சரிக்கைகளைப் பெறுகிறது. இது அறிகுறிகளை குறுக்கு-சரிபார்க்க பிழை செய்திகள், தொழில்நுட்ப பதிவுகள் மற்றும் செயல்திறன் அளவீடுகளின் தேதலைத் தூண்டுகிறது. பின்னர் அது LLMக்கு அனுப்புவதற்காக உள் அறிவுத் தளத்திலிருந்து தொடர்புடைய தகவலை மீட்டெடுக்கிறது. பயனர் அல்லது கண்டறிதல் கருவியிலிருந்து, முயற்சிக்கப்பட்ட திருத்தத்தின் முடிவுகள் LLMக்கு ஊட்டப்படும்போது கண்டறிதல் சுழற்சி நிகழ்கிறது.

நிஜ உலக எடுத்துக்காட்டு: கண்காணிப்பு தளம் Datadog (கீழே படம் காட்டப்பட்டுள்ளது) ஒரு அமைப்பின் அனைத்து அடுக்குகளிலிருந்தும் தரவைச் சேகரிக்கிறது, சிக்கல்கள் எழும் போது எதையாவது கொடியிடுகிறது. சாத்தியமான திருத்தங்களைச் சிக்கல் தீர்க்க இவை பின்னர் Bits AI எனப்படும் சிறப்பு AI ஏஜென்ட்டில் ஊட்டப்படுகின்றன.

விரிவாக்கு

7. ஏஜென்ட் வணிகம் (Agentic commerce)

ஏஜென்ட் வணிகம் என்பது ஒரு பரந்த பயன்பாட்டு வழக்கமாகும், இது பொதுவாக RAG ஐ உள்ளடக்கியது. ஒரு ஷாப்பிங் ஏஜென்ட் தயாரிப்பு விவரக்குறிப்புகள், மதிப்புரைகள், விலைகள் மற்றும் கிடைக்கும் தன்மை போன்ற விவரங்களை மீட்டெடுத்து விருப்பங்களை ஒப்பிட்டுப் பரிந்துரைகளை விளக்குகிறது. பயனர் இடைமுகத்தை விட்டு வெளியேறாமல் இது தானாகவே வாங்குதலைச் செய்யலாம்.

இது எவ்வாறு செயல்படுகிறது: ஏஜென்ட் வணிகம் உண்மையான ஏஜென்ட் RAG ஆகும், ஏனெனில் குறிப்பிட்ட வினவல்கள் பெரும்பாலும் பல்வேறு வகையான மீட்டெடுப்பு தேவைப்படுகிறது, அதை மாதிரி இயக்குகிறது. ஒரு ஏஜென்ட் சில்லறை விற்பனையாளரின் API மூலம் உரை-மட்டும் தயாரிப்பு தரவை மீட்டெடுக்கலாம் அல்லது பயனரின் புகைப்படத்தின் அடிப்படையில் செமண்டிக் இன்டெக்ஸில் தயாரிப்புகளைப் பொருத்த மல்டிமோடல் RAG ஐப் பயன்படுத்தலாம்.

நிஜ உலக எடுத்துக்காட்டு: Perplexity போன்ற பொதுவான நோக்கம் கொண்ட ஏஜென்ட், ஒரு தூண்டுதலின் அடிப்படையில் பல படிகளையும் விரிவான தயாரிப்பு விவரக்குறிப்புகளையும் மீட்டெடுக்க முடியும். உடனடி வாங்குதல் (Instant Buy) செக்பவுண்ட் அம்சம் பயனரை ஒரு தயாரிப்பைத் தேர்ந்தெடுத்த பிறகு வாங்குதலை முடிக்க அனுமதிக்கிறது.

விரிவாக்கு

8. சிறப்பு அறிவு டொமைன்கள்

சிறப்பு டொமைன் அறிவை மீட்டெடுக்கும் AI கருவிகள் சிக்கலான உள்ளடக்க வடிவங்களைக் கையாள் வேண்டும். கூடுதலாக, பிரமைகளைக் குறைப்பதும் தகவல் இடைவெளிகளைக் குறைப்பதும் பெரும்பாலும் முன்னுரிமையாகும்.

இது எவ்வாறு செயல்படுகிறது: பொதுவான நோக்கம் கொண்ட மற்றும் சிறப்பு RAG கட்டமைப்புகளுக்கு இடையிலான முக்கிய வேறுபாடு மூலப் பொருள் மற்றும் மீட்டெடுப்பு உள்ளமைவுடன் தொடர்புடையது. வழக்கமாக, மிகவும் அதிகாரப்பூர்வமான இன்டெக்ஸ் மட்டுமே வினவப்படும், மேலும் தேடல்களைக் சுருக்க குறிப்பிட்ட சொற்களை உள்ளடக்கும் வகையில் கோரிக்கை கட்டமைக்கப்படும்.

நிஜ உலக எடுத்துக்காட்டு: கல்வி சார்ந்த ஆய்வு கருவியான Scite, வெளியீட்டாளர் ஒப்பந்தங்கள் மற்றும் திறந்த அணுகல் மூலங்கள் மூலம் கட்டமைக்கப்பட்ட கல்வித் தாள்கள் மற்றும் மேற்கோள் தரவுகளின் பெரிய இன்டெக்ஸை அணுகுகிறது. முழு பதிலை உருவாக்குவதற்கு முன்பு, மூல சரிபார்ப்பு போன்ற மீட்டெடுப்புக்குப் பிந்தைய சோதனைகளையும் இது பயன்படுத்துகிறது.

விரிவாக்கு

9. தரவு பகுப்பாய்வு

தரவு பகுப்பாய்விற்கான RAG ஒரு குறிப்பாக சக்திவாய்ந்த நிறுவன பயன்பாட்டு வழக்கமாக மாறியுள்ளது, ஏனெனில் இது பரந்த அளவிலான நிபுணர்களை, குறிப்பாக தரவு அறிவியலில் பயிற்சி இல்லாதவர்களை, இயற்கையான மொழியைப் பயன்படுத்தி தரவுத்தொகுப்புகளை வினவ அனுமதிக்கிறது. இது அறிக்கைகளை உருவாக்குவதையும் மிகவும் குறிப்பிட்ட கேள்ிகளைக் கேட்பதையும் எளிதாக்குகிறது.

இது எவ்வாறு செயல்படுகிறது: “கடந்த காலாண்டில் விற்பனை ஏன் குறைந்தது?” போன்ற ஒரு கேள்விக்கு, பயன்பாடு விற்பனைப் பதிவுகளை வினவி, பங்குப் பற்றாக்குறை அல்லது விலை மாற்றங்கள் பற்றிய குறிப்புகளை மீட்டெடுக்கலாம். பகுப்பாய்வை உருவாக்குவதற்கு முன்பு மீட்டெடுக்கப்பட்ட தரவிற்கான பொருத்தமான கணக்கீட்டை (இது பொதுவாக ஒரு கணக்கீட்டுக் கருவிக்கு வழங்கப்படுகிறது) LLM தேர்ந்தெடுக்கிறது.

நிஜ உலக எடுத்துக்காட்டு: Google Analytics ஒரு AI “Ask Advisor” chatbot ஐ வழங்குகிறது, இது வலை பகுப்பாய்வு தரவை அணுகலாம் மற்றும் பயனர்களிடமிருந்து மிகவும் குறிப்பிட்ட, நுணுக்கமான கேள்விகளுக்கு பதிலளிக்கலாம். இது நிறுவன தர, மூடப்பட்ட அமைப்பு RAG இன் சிறந்த நிஜ உலக எடுத்துக்காட்டுகளில் ஒன்றாகும்.

விரிவாக்கு

RAG இன் வளர்ச்சியில் அடுத்து என்ன?

RAG முதன்முதலில் அறிமுகப்படுத்தப்பட்டபோது அது ஒரு குறிப்பிடத்தக்க வளர்ச்சியாக இருந்தது. இது தனித்த LLMகளில் உள்ள பல உள்ளார்ந்த சிக்கல்களைத் தீர்க்க உதவியது.

இருப்பினும், இது ஒரு நிலையான தொழில்நுட்பத்திலிருந்து வெகு தொலைவில் உள்ளது. தற்போதைய ஆய்வு ஆழமான மல்டிமோடல் மீட்டெடுப்பு மற்றும் துல்லியம் மற்றும் சரியான தன்மைக்காக மீட்டெடுக்கப்பட்ட சூழலின் மிகவும் கடுமையான செயலாக்கத்தில் கவனம் செலுத்துகிறது. கூடுதலாக, பல-கருவி ஏஜெண்டுகளில் RAG இன் அதிக ஒருங்கிணைப்பைக் காண வாய்ப்புள்ளது.

மிகப் பெரிய சூழல் சாளரங்களைக் கொண்டிருந்தாலும், தனிப்பட்ட மற்றும் தொழில்முறை சூழல்கள் இரண்டிலும் RAG க்கு முக்கியமான பயன்பாட்டு வழக்குகள் உள்ளன மற்றும் பல கண்டுபிடிப்புகள் இன்னும் வரவுள்ளன.