Alma Destekli Üretim (RAG)

Retrieval Augmented Generation (RAG), Retrieval Augmented Generation'ın çıktısını optimize etmek için tasarlanmış gelişmiş bir çerçevedir. Büyük Dil Modelleri (LLM'ler) tarafından Orijinal eğitim verilerinin dışında yetkili bir bilgi tabanına atıfta bulunur. Standart olarak üretken yapay zeka sistemleri, model yalnızca Eğitim sırasında öğrendiği statik bilgiler, güncelliğini yitirmiş cevaplara veya gerçeklere dayalı hatalara yol açabilir. halüsinasyonlar. RAG bu boşluğu şu şekilde doldurur Güvenilir dış kaynaklardan ilgili, güncel bilgilerin alınması ve modele bağlam olarak beslenmesi bir yanıt oluşturmadan önce. Bu süreç yapay zekayı etkili bir şekilde topraklayarak yüksek Pahalı maliyetlere gerek kalmadan doğruluk ve alaka düzeyi modelin yeniden eğitilmesi.

Geri Alım Artırılmış Nesil Nasıl Çalışır?

RAG iş akışı iki ana bileşeni entegre eder: bir erişim sistemi ve bir üretim modeli. Bu sinerji dönüştürür nasıl Doğal Dil İşleme (NLP) görevler yürütülür.

1. Geri alma: Bir kullanıcı bir sorgu gönderdiğinde, sistem ilk olarak özel bir arama yapar bilgi tabanı, tipik olarak bir vektör veritabanı. Bu veritabanı şunları içerir katıştırmalar-metnin sayısalgösterimleri veya Verimli semantik aramaya olanak tanıyan veriler. Retriever, kullanıcının isteğine anlamsal olarak en çok benzeyen belgeleri veya veri parçacıklarını tanımlar.
2. Güçlendirme: Alınan bilgiler daha sonra orijinal kullanıcı sorgusu ile birleştirilerek hızlı mühendislik teknikleri. Bu "artırılmış" istem, modele başlangıçta eksik olan gerekli olgusal bağlamı sağlar.
3. Üretim: Son olarak, zenginleştirilmiş istem LLM'ye iletilir. Model sağlanan bağlamı kullanır tutarlı ve gerçeklere dayalı bir cevap üretmek için. Aşağıdakiler gibi önde gelen çerçeveler LangChain genellikle bu adımları sorunsuz bir şekilde düzenlemek için kullanılır.

Gerçek Dünya Uygulamaları

RAG, verilerin sık sık değiştiği veya hassasiyetin kritik olduğu sektörlerde çok önemlidir.

• Kurumsal Bilgi Yönetimi: Kurumlar RAG'yi kurum içi bilgi yönetimini güçlendirmek için kullanır. çalışanlara yardımcı olan sohbet robotları. Örneğin, bir İK Asistan, sosyal yardımlarla ilgili soruları yanıtlamak için bir şirket sunucusundan en son poliçe belgelerini alabilir. Bu YZ'nin genel internet bilgisi yerine belirli şirket protokollerine bağlı kalmasını sağlar.
• Klinik Karar Desteği: Tıp alanında, Sağlık hizmetlerinde yapay zeka şunlardan önemli ölçüde yararlanır RAG. Bir sistem, en son tıbbi araştırma makalelerini veya belirli hasta geçmişi kayıtlarını yardımcı olmak için alabilir doktorların teşhis koymasını ve Tahmine dayalı modelleme en son teknolojilere dayanmaktadır. modelin kesim tarihinden ziyade bilim.

Bilgisayarlı Görüde RAG

Geleneksel olarak metin tabanlı olsa da, RAG kavramları aşağıdaki alanlara doğru genişlemektedir bilgisayarla görme (CV). Bir çok modlu model, bir sistem aşağıdakileri alabilir yardımcı olmak için benzer görüntüler veya görsel meta veriler nesne algılama veya sınıflandırma. Mesela, Nadir bir biyolojik örneğin tanımlanması, bilimsel bir veri tabanından referans görüntülerin alınmasıyla geliştirilebilir. gibi modeller tarafından gerçekleştirilen görsel analizi artırır. Ultralytics YOLO11.

RAG ve İnce Ayar

RAG ile ince ayarı birbirinden ayırmak önemlidir, çünkü farklı sorunları çözerler:

• RAG bir modeli dinamik, harici gerçeklere bağlar. Güncel bilgi gerektiren uygulamalar için en iyisidir. bilgi ve doğrulanabilirlik. Modelin iç parametrelerini değiştirmez.
• İnce ayar, aşağıdakilerin daha fazla eğitimini içerir ayarlamak için belirli bir veri kümesi üzerinde model model ağırlıkları. Bu, bir modeli öğretmek için idealdir. belirli bir stil, ton veya özel görev davranışı, ancak bilgi tabanını korumak için daha az etkilidir. hızla değişen gerçekler. Genellikle, geliştiriciler Her iki yaklaşımı birleştirmek için transfer öğrenimi optimum performans için.

Örnek: Bir İstemi Algılama Verileriyle Güçlendirme

Bu Python örneğinde, "almak" için bir nesne algılama modeli kullanarak temel bir RAG iş akışını simüle ediyoruz bir görüntü hakkındaki gerçekler. Bu gerçekler daha sonra bir metin istemini güçlendirerek açıklamayı doğrulanmış görsel verilerle temellendirir.

from ultralytics import YOLO

# Load the YOLO11 model acting as our 'retrieval' mechanism for visual facts
model = YOLO("yolo11n.pt")

# Run inference to retrieve content information from the image
results = model("https://ultralytics.com/images/bus.jpg")

# Extract detected classes to augment the prompt
detected_objects = [model.names[int(cls)] for cls in results[0].boxes.cls]
context_string = ", ".join(set(detected_objects))

# Construct the augmented prompt (RAG concept)
prompt = f"Based on the verified presence of {context_string} in the scene, describe the traffic situation."
print(f"Augmented Prompt: {prompt}")