Geri Alım Artırılmış Nesil (RAG)

Retrieval-Augmented Generation (RAG), Büyük Dil Modelleri (LLM'ler) tarafından üretilen yanıtların kalitesini, doğruluğunu ve alaka düzeyini artırmak için tasarlanmış gelişmiş bir yapay zeka çerçevesidir. Üretken bir modeli harici, güncel bir bilgi tabanına bağlayarak çalışır. Bu, modelin bir yanıt oluşturmadan önce ilgili bilgileri "almasını" sağlayarak çıktısını doğrulanabilir gerçeklere etkili bir şekilde dayandırır ve halüsinasyon veya eski yanıt olasılığını azaltır. RAG, LLM'lere eğitim almadıkları özel veya tescilli bilgilere erişim sağlayarak bilgi yoğun görevler için daha güvenilir hale getirir.

Geri Alımla Artırılmış Üretim Nasıl Çalışır?

RAG süreci iki ana aşamaya ayrılabilir: erişim ve üretim. Bu iki aşamalı yaklaşım, bilgi erişim sistemlerinin ve üretici modellerin güçlü yanlarını bir araya getirmektedir.

1. Geri alma: Bir kullanıcı bir bilgi istemi verdiğinde veya bir soru sorduğunda, RAG sistemi ilk olarak ilgili bilgileri bir bilgi kaynağında aramak için bilgi istemini kullanır. Bu kaynak tipik olarak belgelerin, makalelerin veya diğer verilerin gömülmelerini içeren bir vektör veritabanıdır. Retriever bileşeni, kullanıcının sorgusuna göre en alakalı metin veya veri parçacıklarını tanımlar ve çeker. İsteğe bağlı ancak güçlü bir adım, alınan bu sonuçları rafine etmek için bir yeniden sıralayıcı kullanmak ve yalnızca bağlamsal olarak en önemli bilgilerin aktarılmasını sağlamaktır.
2. Artırılmış Nesil: Alınan bilgiler daha sonra orijinal kullanıcı istemi ile birleştirilir. Bu yeni, zenginleştirilmiş istem, üretken yapay zeka modeline (LLM) beslenir. Model, kapsamlı, doğru ve ilgili bir yanıt formüle etmek için bu eklenen bağlamı kullanır. LangChain ve LlamaIndex gibi çerçeveler, bu karmaşık RAG boru hatlarını oluşturmak ve yönetmek için yaygın olarak kullanılmaktadır.

Uygulamalar ve Örnekler

RAG özellikle gerçeklere dayalı doğruluk ve dinamik ya da özel verilere erişim gerektiren senaryolarda kullanışlıdır.

• Gelişmiş Soru-Cevaplama Sistemleri: Bir müşteri destek sohbet robotu, bir şirketin ürün kılavuzları, sorun giderme kılavuzları ve politika belgelerinden oluşan tüm bilgi tabanına erişmek için RAG'yi kullanabilir. Bir müşteri "Ürünüm için garanti politikası nedir?" diye sorduğunda, sistem en son garanti belgesini alır ve genel yanıtlara göre önemli bir gelişme olan kesin, güncel bir yanıt sağlamak için kullanır.
• İçerik Oluşturma ve Araştırma: Bir finansal analist piyasa özeti yazmak için RAG destekli bir araç kullanabilir. Araç, Bloomberg veya Reuters gibi güvenilir kaynaklardan en son finansal raporları, piyasa haberlerini ve hisse senedi performans verilerini alabilir. LLM daha sonra bu bilgileri alıntılarla birlikte tutarlı bir rapor halinde sentezleyerek araştırma sürecini büyük ölçüde hızlandırır.

RAG ve İlgili Kavramlar

RAG'yi, LLM performansını artırmak için kullanılan diğer yöntemlerden ayırmak faydalı olacaktır:

• İnce ayar: İnce ayar, modelin dahili ağırlıklarını değiştiren daha küçük, özel bir veri kümesi üzerinde eğitime devam ederek önceden eğitilmiş bir modeli uyarlar. RAG'nin aksine, çıkarım sırasında harici verilere başvurmaz. İnce ayar, bir modele yeni bir stil veya beceri öğretmek için idealdir, RAG ise olgusal bilgiyi dahil etmek için daha iyidir. Bu yaklaşımlar birbirini tamamlayıcı nitelikte de olabilir.
• İstem Mühendisliği: Bu, bir LLM'den istenen çıktıyı almak için istemlerin dikkatlice tasarlanmasına yönelik manuel bir süreçtir. RAG, tüm bağlamı manuel olarak sağlamak için bir insana güvenmek yerine, alınan verilerle istemi programlı olarak ekleyerek ("artırarak") bunun bir kısmını otomatikleştirir.
• Hızlı Zenginleştirme: RAG'ye benzemekle birlikte, istem zenginleştirme daha geniş bir terimdir. Kullanıcı geçmişinden veya konuşma akışından bağlam eklemeyi içerebilir. RAG, modelin yanıtını temellendirmek için harici bir bilgi tabanından olgusal bilgi almaya odaklanan özel bir zenginleştirme türüdür.

Bilgisayarla Görme Alanında RAG

RAG ağırlıklı olarak Doğal Dil İşleme (NLP) alanında kullanılsa da, temel konsepti bilgisayarla görme (CV) görevleri için araştırılmaktadır. Örneğin, bir sistem görüntü oluşturma veya analizine rehberlik etmek için ilgili görsel bilgileri alabilir. Bu, Ultralytics YOLO gibi bir nesne algılama modelinin performansını artırmak için büyük bir veri kümesinden benzer görüntüleri bulmayı içerebilir. Bu karmaşık modelleri ve veri kümelerini yönetmek, RAG kullanan gelecekteki çok modlu model uygulamaları için bir temel görevi görebilecek Ultralytics HUB gibi platformlarla kolaylaştırılmıştır. İlgili bir uygulamayı RAG ve bilgisayar görüşü ile yapay zekayı geliştirme hakkındaki blogumuzda keşfedebilirsiniz.