Tweet
Retrieval Augmented Generated (RAG)
- RAG (được dịch là Tạo sinh có tăng cường truy xuất) là một kiến trúc AI kết hợp hai thành phần chính: Truy xuất thông tin (Retrieval) và Tạo sinh ngôn ngữ (Generation). Mục tiêu của RAG là giúp các mô hình ngôn ngữ lớn (LLMs) tạo ra các câu trả lời chính xác, đáng tin cậy và có cơ sở hơn bằng cách cho phép chúng truy cập và sử dụng thông tin từ một kho dữ liệu bên ngoài.
- Nói một cách đơn giản, thay vì chỉ dựa vào dữ liệu đã được huấn luyện ban đầu (vốn có thể bị lỗi thời hoặc không đầy đủ), RAG cho phép LLM tìm kiếm các tài liệu liên quan trong một cơ sở tri thức (knowledge base) và sử dụng thông tin đó để tạo ra câu trả lời. Điều này giống như việc một người làm nghiên cứu, trước khi trả lời một câu hỏi, họ sẽ đi tìm các tài liệu, sách báo liên quan để làm cơ sở cho câu trả lời của mình.
- Vậy tại sao RAG lại quan trọng đến vậy?
- Các mô hình ngôn ngữ lớn như GPT-4, Llama có một nhược điểm cố hữu:
- "Ảo giác" (Hallucination): Chúng có thể tạo ra thông tin sai lệch, không có thật nhưng lại rất tự tin.
- Thông tin lỗi thời: Kiến thức của chúng bị giới hạn bởi thời điểm dữ liệu được dùng để huấn luyện.
- Thiếu khả năng truy cập thông tin cụ thể: Chúng không thể trả lời các câu hỏi về dữ liệu riêng tư hoặc các tài liệu chuyên ngành của một tổ chức.
- Thiếu tính minh bạch: Khó để xác định nguồn gốc của thông tin trong câu trả lời.
- RAG ra đời để giải quyết những vấn đề này bằng cách cung cấp một cơ chế để LLM "nhìn ra bên ngoài" kho dữ thức cố định của mình.