RAG چیست؟ هوش مصنوعی‌ای که از اسناد خودتان جواب می‌دهد
مدل‌های زبانی چیزهایی را که ندیده‌اند نمی‌دانند. RAG یعنی پیش از پاسخ، مرتبط‌ترین بخش‌های اسناد شما را پیدا کنیم و به مدل بدهیم. اینجا مفهوم، فایده و محدودیت‌های آن را می‌بینید.
اگر از یک مدل زبانی درباره‌ی سیاست مرجوعی شرکت شما بپرسید، یا حدس می‌زند یا جواب عمومی می‌دهد. مدل این اطلاعات را ندیده است. RAG راهی است که این مشکل را بدون آموزش دوباره‌ی مدل حل می‌کند.
RAG به زبان ساده
RAG مخفف Retrieval-Augmented Generation است، یعنی «تولید پاسخ با کمک بازیابی». روند کار:
- کاربر سؤالی می‌پرسد.
- سیستم در اسناد شما، مرتبط‌ترین قطعه‌ها را پیدا می‌کند.
- آن قطعه‌ها همراه سؤال به مدل داده می‌شود.
- مدل با تکیه بر همان متن جواب می‌دهد.
مثل امتحان با کتاب باز است: مدل نیازی به حفظ‌بودن همه‌چیز ندارد، فقط باید از متن درست بخواند.
چرا فقط به مدل تکیه نکنیم
- دانش مدل قدیمی یا عمومی است. قیمت امروز، موجودی یا سیاست داخلی شما را نمی‌داند.
- ساختگی‌گویی. مدل وقتی نمی‌داند، ممکن است با اطمینان چیزی بسازد.
- بدون منبع. نمی‌توانید بگویید پاسخ از کجا آمده.
- آموزش دوباره پرهزینه است. و با هر تغییر سند باید تکرار شود.
با RAG، به‌روزرسانی دانش یعنی عوض کردن سند، نه آموزش مدل.
اجزای یک سیستم RAG
| مرحله | کار |
|---|---|
| آماده‌سازی اسناد | تمیز کردن، تقسیم به قطعه‌های معنادار |
| نمایه‌سازی | تبدیل قطعه‌ها به نمایش عددی (embedding) برای جست‌وجوی معنایی |
| بازیابی | پیدا کردن قطعه‌های مرتبط با سؤال |
| ساخت پاسخ | مدل با همان قطعه‌ها جواب می‌دهد |
| ارجاع | نشان دادن منبع پاسخ |
جایی که RAG خوب جواب می‌دهد
- پشتیبانی مشتری بر اساس مستندات و سیاست‌ها
- دستیار فروش که از کاتالوگ جواب می‌دهد
- جست‌وجو در دانش داخلی سازمان
- راهنمای قوانین و روال‌ها
محدودیت‌هایی که باید بدانید
RAG جادو نیست. کیفیت آن به این‌ها بستگی دارد:
- کیفیت سند. سند ناقص یا متناقض پاسخ ناقص و متناقض می‌دهد.
- تقسیم‌بندی. قطعه‌ی خیلی بزرگ یا کوچک، بازیابی را خراب می‌کند.
- سؤال‌های چندمرحله‌ای. پاسخی که باید چند سند را ترکیب کند سخت‌تر است.
- زبان فارسی. کیفیت بازیابی و نمایه‌سازی را باید با نمونه‌ی واقعی فارسی آزمود، نه فرض کرد.
- هنوز ممکن است اشتباه کند. نیاز به ارزیابی مداوم دارد.
RAG در محصول
در محصولی مثل پاسخینو، اصل این است که دستیار از دانش واقعی فروشگاه جواب بدهد، نه از حافظه‌ی عمومی مدل. این همان فکر پشت RAG است. اینکه هوش مصنوعی هسته‌ی محصول باشد، نه تزئین به همین نوع طراحی بستگی دارد.
چطور شروع کنیم
- یک مجموعه‌ی کوچک و تمیز از اسناد انتخاب کنید.
- بیست تا سی سؤال واقعی با جواب درست بنویسید.
- بازیابی و پاسخ را جداگانه بسنجید: آیا قطعه‌ی درست پیدا شد؟ آیا مدل درست خواند؟
- بعد از ثبات، دانش را گسترش دهید.
جمع‌بندی
RAG یعنی مدل را به سند شما وصل کنیم تا پاسخ از منبع واقعی بیاید. کیفیت آن به کیفیت سند و ارزیابی بستگی دارد، نه فقط به مدل. برای هر محصول هوشمندی که باید «از اطلاعات شما» جواب بدهد، نقطه‌ی شروع منطقی است.
برای طراحی دستیار مبتنی بر دانش شما، با من صحبت کنید.