Giniúint mhéadaithe le haisghabháil
Is éard is giniúint mhéadaithe le haisghabháil (RAG) ann ná an patrún chun doiciméid a fháil ar ais ag am na ceiste agus samhail teanga a choinníoll orthu, in ionad brath ar an méid a chuimhnigh an tsamhail le linn oiliúna[1]. Tagann an téarma ó pháipéar 2020 le Patrick Lewis agus aon chomhúdar déag, a cuireadh i láthair ag NeurIPS 2020[2]. Ritheann inneall freagartha atá tógtha ar innéacs gréasáin beo an lúb céanna, rud a chuireann inaisghabháil suas an abhainn ó gach rud eile: éilíonn Google go ndéanfaí leathanach a innéacsú agus a bheith incháilithe le taispeáint i gCuardach Google sular féidir é a thaispeáint mar nasc tacaíochta i Forbhreathnuithe AI nó Mód AI[3].
An páipéar 2020
Déanann Lewis agus comhúdair cur síos ar oideas mín-tiúnta do "samhlacha a chomhcheanglaíonn cuimhne pharaiméadrach agus neamhpharaiméadrach réamh-oilte le haghaidh giniúna teanga"[2]. Ba é an leath neamhpharaiméadrach dumpáil Wikipedia ó Nollaig 2018, ullmhaithe ionas go ndéantar "gach alt Wikipedia a roinnt ina bhlúirí neamh-fhorluiteacha 100 focal, chun iomlán de 21M doiciméad a dhéanamh"[4]. Ar an tagarmharc Ceisteanna Nádúrtha shroich na samhlacha méadaithe le haisghabháil 44.5 meaitseáil chruinn, i gcoinne 34.5 do shamhail dúnta-leabhar den mhéid céanna[5]. Ainmníonn suirbhé níos déanaí na teipeanna a ndíríonn an patrún orthu: "siabhránacht, eolas as dáta, agus próisis réasúnaíochta neamh-trédhearcacha, neamh-inrianaithe"[6].
Conas a chuireann innill freagartha i bhfeidhm é
Ritheann cúntóir le tacaíocht cuardaigh an lúb céanna leis an ngréasán beo mar a chorpas. Déanann Google doiciméadú ar chéim leathnú ceiste i Forbhreathnuithe AI agus Mód AI, "ag eisiúint ilchuardaigh ghaolmhara thar fho-ábhair agus foinsí sonraí" le haghaidh ceiste amháin[7]. Is glao aisghabhála gach ceann de na cuardaigh sin, agus scríobhann an chéim giniúna thar an méid a d'fhill an t-aisghabhálaí. Dírithe ar na doiciméid aisghabháilte sin, mar sin ní féidir leathanach atá as láthair ón linn iarrthóirí a lua is cuma cé chomh maith is atá sé[3].
Ní bhaineann bunú siabhránacht
Fuarthas amach i meastóireacht réamhchláraithe de chuid Stanford ar uirlisí taighde dlí tráchtála go ndéanann LexisNexis Lexis+ AI agus Thomson Reuters Westlaw AI-Assisted Research agus Ask Practical Law AI siabhránacht ar 17% go 33% de na ceisteanna, in ainneoin go bhfuil an trí cinn tógtha ar aisghabháil[8]. Tuairiscíonn an páipéar céanna go bhfuil éilimh na soláthraithe féin maidir le siabhránacht a dhíchur nó a sheachaint ró-ráite[8]. Cáilíonn sé sin an frámaíocht suirbhé thuas: laghdaíonn aisghabháil an teip a ndíríonn sé air in áit é a dhúnadh.
Suíomh san fhuinneog comhthéacs
Athraíonn an áit a bhfuil sliocht aisghabháilte san fhuinneog comhthéacs an chaoi a n-úsáideann an tsamhail é. Tuairiscíonn Liu agus comhúdair go bhfuil an fheidhmíocht is airde nuair a tharlaíonn an doiciméad ábhartha ag tús nó ag deireadh an chomhthéacs ionchuir[9], agus go laghdaíonn sé go suntasach nuair a bhíonn ar an tsamhail é a bhaint amach i lár comhthéacs fada, lena n-áirítear i samhlacha a tógadh le haghaidh comhthéacsanna fada[10]. Mar sin, leanann rangú ag gníomhú tar éis aisghabhála, san ord ina gcuirtear na sleachta le chéile.
Cén fáth a gcinneann inaisghabháil lua
Tarlaíonn aisghabháil in aghaidh na ceiste, rud a bhogann na luamháin phraiticiúla suas an abhainn ón scríbhneoireacht. Cibé an féidir le crawler AI an leathanach a fháil agus cibé an bhfuil an leathanach innéacsaithe socraíonn sé iontráil chuig an linn. Socraíonn an chaoi a roinntear an leathanach ina sleachta cibé an scórálann an sliocht ceart go hard le haghaidh ceiste ar leith. Socraíonn an chaoi úr atá an chóip innéacsaithe cibé an léiríonn an freagra an leagan reatha. Is féidir miondealú amháin a thomhas: i meastóireacht 2026 ar thagarmharc eastóscadh caidrimh bhithleighis, malartaíodh miondealú seasta-mhéid le scéim sheiminteach agus bhog an cruinneas ó 74.2% go 82.6% F1[11]. Sin é an bhearna ina n-oibríonn optamú innill giniúna.
Tagairtí (11)
- Giniúint mhéadaithe le haisghabháil - Wikipedia Cartlann
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks Cartlann
- Gnéithe AI agus do shuíomh Gréasáin - Google Search Central Cartlann
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, téacs iomlán Cartlann
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, Tábla 1 Cartlann
- Retrieval-Augmented Generation for Large Language Models: A Survey Cartlann
- Gnéithe AI agus do shuíomh Gréasáin - Google Search Central Cartlann
- Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools
- Lost in the Middle: How Language Models Use Long Contexts
- Lost in the Middle: How Language Models Use Long Contexts
- Configurable Semantic Chunking for Biomedical Information Extraction in Retrieval-Augmented Generation Cartlann
Nuashonraithe go deireanach 2026-09-04. Scríofa agus á chothabháil ag Baseline Labs.
