ایجاد متن مبتنی بر بازیابی چیست؟

ایجاد متن مبتنی بر بازیابی (Retrieval-Augmented Generation یا RAG) روشی در هوش مصنوعی است که برای تولید پاسخ‌های دقیق‌تر و دارای اطلاعات به‌روز به کار می‌رود. در این روش، یک مدل زبانی (مانند مدل‌های GPT) پیش از پاسخ دادن به سؤال کاربر، ابتدا با جست‌وجو در میان یک پایگاه داده از متن‌ها یا اسناد، اطلاعات مرتبط با موضوع را بازیابی می‌کند؛ سپس این اطلاعات به مدل داده می‌شوند و مدل بر اساس آن‌ها پاسخی را تولید می‌کند. در واقع، مدل زبانی به جای تکیه صرف بر دانش داخلی خود، می‌تواند مطالب به‌روز، واقعی و ویژه یک حوزه خاص را در پاسخ‌های خود لحاظ کند.

اهمیت RAG در زمینه‌هایی است که مدل‌های زبانی به خودی خود به اندازه کافی به‌روز یا دقیق نیستند، برای مثال هنگام پاسخ به سؤالات حقوقی، علمی یا درباره اخبار روز. این روش در چت‌بات‌های هوشمند پشتیبانی مشتری، سامانه‌های پرسش‌وپاسخ آنلاین، یا ابزارهای جست‌وجوی داخلی در کسب‌وکارهای بزرگ مورد استفاده قرار می‌گیرد.

مثلاً فرض کنید شما از یک سامانه هوشمند می‌پرسید «آخرین تغییرات قوانین مالیاتی ایران چیست؟» اگر سامانه صرفاً یک مدل زبانی باشد، پاسخ ناقص یا قدیمی خواهد داد. اما اگر از روش RAG استفاده کند، ابتدا جدیدترین بخش‌نامه‌ها و نوشته‌ها درباره مالیات را پیدا می‌کند و بعد با ترکیب آن‌ها، پاسخ دقیق و به‌روزی به شما ارائه می‌کند.

RAG با دو مفهوم دیگر تفاوت دارد: مدل‌های صرفاً بازیابی (که فقط اسناد مرتبط را فهرست می‌کنند و توضیح نمی‌دهند) و مدل‌های صرفاً تولید (که فقط براساس دانش داخلی خود جمله‌سازی می‌کنند). RAG این دو رویکرد را ترکیب می‌کند تا هم اطلاعات به‌روز فراهم باشد، هم توضیح روان و یکپارچه‌ای تولید شود.