Retrieval Augmented Generation: La clau que obri la porta de la precisió als models del llenguatge

Precisament, les tècniques RAG s'han desenvolupat per a millorar la qualitat de les respostes en contextos específics, com per exemple, en una disciplina concreta o sobre la base de repositoris de coneixement privats com a bases de dades d'empreses.  

RAG  és una tècnica extra dins dels marcs de treball de la intel·ligència artificial, que el seu objectiu és recuperar fets d'una base de coneixements externa per a garantir que els models de llenguatge retornen informació precisa i actualitzada. Un sistema RAG típic (veure imágen) inclou un  LLM , una base de dades vectorial (per a emmagatzemar convenientment les dades externes) i una sèrie de comandos o preguntes. És a dir, de forma simplificada, quan fem una pregunta en llenguatge natural a un assistent com ChatGPT, la qual cosa ocorre entre la pregunta i la resposta és alguna cosa com: 

Posem un exemple concret. Imagina que estàs intentant respondre una pregunta sobre dinosaures. Un  LLM  generalista pot inventar-se una resposta perfectament plausible, de manera que una persona no experta en la matèria no la diferència d'una resposta amb base científica. Per contra, amb l'ús de  RAG , el  LLM  buscaria en una base de dades d'informació sobre dinosaures i recuperaria els fets més rellevants per a generar una resposta completa.  

El mateix ocorria si busquem una informació concreta en una base de dades privada. Per exemple, pensem en un responsable de recursos humans d'una empresa. Este desitja recuperar informació resumida i agregada sobre un o diversos empleats els registres dels quals es troben en diferents bases de dades de l'empresa. Pensem que podem estar tractant d'obtindre informació a partir de taules salarials, enquestes de satisfacció, registres laborals, etc. Un LLM és de gran utilitat per a generar una resposta amb un patró humà. No obstant açò, és impossible que oferisca dades coherents i precisos lloc que mai ha sigut entrenat amb eixa informació a causa del seu caràcter privat. En este cas, RAG vas agafar a el LLM per a proporcionar-li dades i context específic amb el qual poder retornar la resposta adequada. 

De la mateixa forma, un LLM complementat amb RAG sobre registres mèdics podria ser un gran assistent en l'àmbit clínic. També els analistes financers es beneficiarien d'un assistent vinculat a dades actualitzades del mercat de valors. Pràcticament, qualsevol cas d'ús es beneficia de les tècniques RAG per a enriquir les capacitats dels LLM amb dades de context específics.