உள்ளடக்கத்திற்குச் செல்லவும்
சொற்களஞ்சியம்

Retrieval-Augmented Generation (RAG)

Retrieval-augmented generation என்பது language model output ஐ அதன் parametric memory மேல் மட்டும் சாராமல் retrieved source documents இல் ground செய்யும் technique. System knowledge base இலிருந்து relevant passages fetch செய்து context ஆக கொடுத்து, model அந்த evidence மட்டும் பயன்படுத்தி answer செய்யச் சொல்கிறது.

இணைச்சொற்கள்: RAG, retrieval augmented generation, grounded generation, context augmentation

Retrieval-augmented generation model என்ன தெரிந்துகொள்கிறது என்பதையும் அது எதனால் train செய்யப்பட்டது என்பதையும் பிரிக்கிறது. Query time இல் retriever maintained knowledge base இலிருந்து மிகவும் relevant chunks ஐ எடுக்கும்; model அந்த evidence க்கு constrained ஆன answer ஐ compose செய்கிறது. இது hallucination ஐ குறைக்கிறது, citations மூலம் answers ஐ auditable ஆக்குகிறது, retraining இல்லாமல் teams knowledge update செய்ய உதவுகிறது. Governed setting இல் RAG தான் ஒரு question ஐ, நம்புவதற்கு முன் person அல்லது policy verify செய்யக்கூடிய grounded, cited response ஆக மாற்றும் mechanism.

அடிக்கடி கேட்கப்படும் கேள்விகள்

fine-tuning க்கு பதிலாக RAG ஏன் பயன்படுத்த வேண்டும்?
RAG knowledge ஐ உடனே update செய்யக்கூடிய external store இல் வைத்திருக்கிறது; answers current ஆக இருக்கும், ஒவ்வொரு claim ம் source க்கு trace செய்யப்படும். Fine-tuning knowledge ஐ weights இல் bake செய்கிறது; refresh மெதுவாகவும் attribution கடினமாகவும் இருக்கும்.
RAG pipeline இல் என்ன அடங்கும்?
பொதுவாக ingestion மற்றும் chunking, embedding, vector அல்லது hybrid search க்கான index, retriever, retrieved passages மீது model ஐ condition செய்து cited evidence உடன் answer return செய்யும் generation step ஆகியவை.