सामग्रीकडे जा
शब्दावली

Retrieval-Augmented Generation (RAG)

Retrieval-augmented generation ही technique language model चे output त्याच्या parametric memory वरच अवलंबून न ठेवता retrieved source documents मध्ये ground करते. system knowledge base मधून relevant passages fetch करते, ते context म्हणून देते आणि model ला फक्त त्या evidence वरून answer करायला सांगते.

समानार्थी शब्द: RAG, retrieval augmented generation, grounded generation, context augmentation

Retrieval-augmented generation model काय जाणतो आणि ते कशावर train झाले होते यांना वेगळे करते. query time ला retriever maintained knowledge base मधून सर्वात relevant chunks आणतो आणि model त्या evidence पुरते मर्यादित answer तयार करते. यामुळे hallucination कमी होते, citations द्वारे answers auditable होतात आणि teams retraining शिवाय knowledge update करू शकतात. governed setting मध्ये RAG हा question ला grounded, cited response मध्ये बदलणारा mechanism आहे, ज्यावर trust ठेवण्यापूर्वी व्यक्ती किंवा policy verify करू शकते.

वारंवार विचारले जाणारे प्रश्न

fine-tuning ऐवजी RAG का वापरावे?
RAG knowledge external store मध्ये ठेवते जे तात्काळ update करता येते, त्यामुळे answers current राहतात आणि प्रत्येक claim source पर्यंत trace करता येतो. Fine-tuning knowledge weights मध्ये bake करते, जे refresh करायला धीमे आणि attribute करायला कठीण असते.
RAG pipeline मध्ये काय असते?
साधारणपणे ingestion आणि chunking, embedding, vector किंवा hybrid search साठी index, retriever आणि retrieved passages वर model condition करून cited evidence परत करणारी generation step.