ಜ್ಞಾನದ ನೆಲೆ ಮತ್ತು RAG: ಬಾಟ್ ಮತ್ತು ಏಜೆಂಟ್ ಸರಿಯಾದ ಉತ್ತರವನ್ನು ಹೇಗೆ ಹುಡುಕುತ್ತಾರೆ

ಲಾಭಗಳು:

• RAG (ವಿಘಟನೆ, ಪ್ರವೇಶ, ಸಂಪನ್ಮೂಲ-ಅವಲಂಬಿತ ಪೀಳಿಗೆ) ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಅದು ಹೇಗೆ ಭ್ರಮೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ
• ಪ್ರಸ್ತುತ, ಸ್ಪಷ್ಟ, ಸಂಘರ್ಷ-ಮುಕ್ತ ಮತ್ತು ಒಂದೇ ಸರಿಯಾದ ಮೂಲವನ್ನು ಹೊಂದಿರುವ ಜ್ಞಾನದ ನೆಲೆಯನ್ನು ಸ್ಥಾಪಿಸುವ ಮೂಲಕ ಉತ್ತರಗಳ ಗುಣಮಟ್ಟವನ್ನು ಹೆಚ್ಚಿಸುವ ಸಾಮರ್ಥ್ಯ.
• 'ಮೂಲದಲ್ಲಿ ಇಲ್ಲದಿದ್ದರೆ, ನಿಮಗೆ ಗೊತ್ತಿಲ್ಲ ಎಂದು ಹೇಳಿ' ಮಾದರಿಯನ್ನು ಸೂಚಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಅದು ಉತ್ತರಿಸಲು ಸಾಧ್ಯವಾಗದ ಪ್ರಶ್ನೆಗಳನ್ನು ಜ್ಞಾನದ ಮೂಲ ಸುಧಾರಣೆಯಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ.

ಬೋಟ್ ಅಥವಾ ಏಜೆಂಟ್ ಅಸಿಸ್ಟೆಂಟ್ ನೀಡುವ ಉತ್ತರವು ಅದನ್ನು ಆಧರಿಸಿದ ಮಾಹಿತಿಯಷ್ಟೇ ಉತ್ತಮವಾಗಿರುತ್ತದೆ. "ಪ್ರಚಾರ ಮುಂದುವರೆಯುತ್ತಿದೆಯೇ?" ಎಂದು ಗ್ರಾಹಕರು ಕೇಳಿದಾಗ, ಸರಿಯಾದ ಉತ್ತರವು ಮಾದರಿಯ ಸ್ಮರಣೆಯಲ್ಲಿಲ್ಲ, ಆದರೆ ಸಂಸ್ಥೆಯ ಪ್ರಸ್ತುತ ಜ್ಞಾನದ ನೆಲೆಯಲ್ಲಿದೆ. ಅದಕ್ಕಾಗಿಯೇ ಕಾಲ್ ಸೆಂಟರ್ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಹೃದಯವು ಜ್ಞಾನದ ಮೂಲವಾಗಿದೆ (KB): ಉತ್ಪನ್ನಗಳು, ನೀತಿಗಳು, FAQ ಗಳು, ಕಾರ್ಯವಿಧಾನಗಳು ಮತ್ತು ನಿಯಮಗಳನ್ನು ಬರವಣಿಗೆಯಲ್ಲಿ ಇರಿಸಲಾಗಿರುವ ನವೀಕೃತ ಸಂಪನ್ಮೂಲವಾಗಿದೆ. ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಈ ಜ್ಞಾನದ ಮೂಲವನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ಸಂಪರ್ಕಿಸುವ ವಿಧಾನವನ್ನು RAG ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ: ಮರುಪಡೆಯುವಿಕೆ-ವರ್ಧಿತ ಜನರೇಷನ್ - ಅದರ ಸ್ವಂತ ಸ್ಮರಣೆಯಿಂದ ಉತ್ತರವನ್ನು ರೂಪಿಸುವ ಬದಲು, ಮಾದರಿಯು ಮೊದಲು ಸಂಬಂಧಿತ ಮಾಹಿತಿಯನ್ನು ಮೂಲದಿಂದ (ಹಿಂಪಡೆಯುವಿಕೆ) ಹಿಂಪಡೆಯುತ್ತದೆ ಮತ್ತು ನಂತರ ಆ ತುಣುಕುಗಳ ಆಧಾರದ ಮೇಲೆ ಮಾತ್ರ ಉತ್ತರವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ (ಪೀಳಿಗೆ).

RAG ಭ್ರಮೆಯನ್ನು ತಡೆಗಟ್ಟುವ ಅತ್ಯಂತ ಶಕ್ತಿಶಾಲಿ ವಿಧಾನವಾಗಿದೆ. "ಸಾಲದ ಬಡ್ಡಿ ದರ ಏನು?" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಮಾದರಿಯು ಅದರ ತಲೆಯಲ್ಲಿ ಸಂಖ್ಯೆಯನ್ನು ಸೃಷ್ಟಿಸುವುದಿಲ್ಲ. ಇದು ಜ್ಞಾನದ ಮೂಲದಿಂದ ಪ್ರಸ್ತುತ ಆಸಕ್ತಿ ಪಠ್ಯವನ್ನು ಹಿಂಪಡೆಯುತ್ತದೆ ಮತ್ತು ಅದರ ಆಧಾರದ ಮೇಲೆ ಉತ್ತರಗಳನ್ನು ನೀಡುತ್ತದೆ. ಈ ಘಟಕದಲ್ಲಿ ನಾವು ಜ್ಞಾನದ ಮೂಲವನ್ನು ಹೇಗೆ ಹೊಂದಿಸುವುದು, RAG ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಉತ್ತಮ ಜ್ಞಾನದ ಆಧಾರವು ಉತ್ತರಗಳ ಗುಣಮಟ್ಟವನ್ನು ಹೇಗೆ ನಿರ್ಧರಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನೋಡುತ್ತೇವೆ.

RAG ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ: ನಾಲ್ಕು ಹಂತಗಳು

RAG ಅನ್ನು ಗ್ರಂಥಪಾಲಕನಂತೆ ಯೋಚಿಸಿ. ಗ್ರಾಹಕರು ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳುತ್ತಾರೆ; ವ್ಯವಸ್ಥೆಯು ಮೊದಲು ಗ್ರಂಥಾಲಯದ ಬಲ ಶೆಲ್ಫ್‌ನಿಂದ ಸಂಬಂಧಿತ ಪುಟಗಳನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತದೆ, ನಂತರ ಆ ಪುಟಗಳನ್ನು ಓದಿ ಉತ್ತರವನ್ನು ಬರೆಯುತ್ತದೆ. ತಾಂತ್ರಿಕ ಹಂತಗಳು ಈ ಕೆಳಗಿನಂತಿವೆ:

1. ಚಂಕಿಂಗ್: ಜ್ಞಾನದ ನೆಲೆಯಲ್ಲಿನ ದೀರ್ಘ ದಾಖಲೆಗಳನ್ನು ಸಣ್ಣ, ಅರ್ಥಪೂರ್ಣ ತುಣುಕುಗಳಾಗಿ ವಿಭಜಿಸಲಾಗಿದೆ (ಉದಾಹರಣೆಗೆ, ಪ್ರತಿ FAQ ಒಂದು ಭಾಗವಾಗಿದೆ). ಏಕೆಂದರೆ ಮಾದರಿಯು ಸಂಬಂಧಿತ ಸಣ್ಣ ಭಾಗಗಳೊಂದಿಗೆ ಹೆಚ್ಚು ನಿಖರವಾಗಿ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುತ್ತದೆ.
2. ಎಂಬೆಡಿಂಗ್ ಮತ್ತು ಇಂಡೆಕ್ಸಿಂಗ್: ಪ್ರತಿಯೊಂದು ತುಣುಕನ್ನು ಅದರ ಅರ್ಥವನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಸಂಖ್ಯಾತ್ಮಕ ರೂಪಕ್ಕೆ ಅನುವಾದಿಸಲಾಗುತ್ತದೆ (ಎಂಬೆಡಿಂಗ್-ಪಠ್ಯದ ಅರ್ಥವನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಸಂಖ್ಯೆಗಳ ಅನುಕ್ರಮ) ಮತ್ತು ಹುಡುಕಬಹುದಾದ ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿ ಇರಿಸಲಾಗುತ್ತದೆ. ಹೀಗಾಗಿ, ಇದು "ಪದ ಹೊಂದಾಣಿಕೆ" ಅಲ್ಲ ಆದರೆ "ಅರ್ಥ ಹೊಂದಾಣಿಕೆ"; ಗ್ರಾಹಕರು "ನನ್ನ ಹಣವನ್ನು ಯಾವಾಗ ಠೇವಣಿ ಮಾಡಲಾಗುತ್ತದೆ?" ಎಂದು ಕೇಳಿದರೂ, "ಮರುಪಾವತಿ ಅವಧಿ" ಭಾಗವು ಕಂಡುಬರಬಹುದು.
3. ಮರುಪಡೆಯುವಿಕೆ: ಗ್ರಾಹಕರ ಪ್ರಶ್ನೆಗೆ ಅರ್ಥದಲ್ಲಿ ಹತ್ತಿರವಿರುವ ಭಾಗಗಳನ್ನು ಹಿಂಪಡೆಯಲಾಗಿದೆ (ಉದಾ. ಹತ್ತಿರದ 3-5 ಭಾಗಗಳು).
4. ಜನರೇಷನ್: ಮಾದರಿಯು ಚಿತ್ರಿಸಿದ ಭಾಗಗಳನ್ನು ಮಾತ್ರ ಆಧರಿಸಿ ಉತ್ತರವನ್ನು ಬರೆಯುತ್ತದೆ ಮತ್ತು ಸಾಧ್ಯವಾದರೆ ಮೂಲವನ್ನು ಸೂಚಿಸುತ್ತದೆ.

ನಿರ್ಣಾಯಕ ಹಂತವು ಹಂತ 4 ರಲ್ಲಿದೆ: ಮಾದರಿಯು "ನೀಡಿರುವ ತುಣುಕುಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ, ಅಥವಾ ನಿಮಗೆ ತಿಳಿದಿಲ್ಲವೆಂದು ಹೇಳಲು" ಸೂಚಿಸಲಾಗುತ್ತದೆ. ಈ ಸೂಚನೆಯಿಲ್ಲದೆ, RAG ಮಾದರಿಯನ್ನು ಅಳವಡಿಸುವುದನ್ನು ತಡೆಯುವುದಿಲ್ಲ.

ಸುಳಿವು: RAG ನ ಸುವರ್ಣ ನಿಯಮ: "ಇದು ಮೂಲದಲ್ಲಿ ಇಲ್ಲದಿದ್ದರೆ, ಯಾವುದೇ ಉತ್ತರವಿಲ್ಲ." ಉತ್ತಮ RAG ವ್ಯವಸ್ಥೆಯು ಜ್ಞಾನದ ನೆಲೆಯಲ್ಲಿಲ್ಲದ ಪ್ರಶ್ನೆಗೆ "ನನಗೆ ಇದರ ಬಗ್ಗೆ ಖಚಿತವಾಗಿ ತಿಳಿದಿಲ್ಲ" ಎಂದು ಹೇಳುತ್ತದೆ; ಊಹೆಯಿಂದ ಅಂತರವನ್ನು ಎಂದಿಗೂ ತುಂಬುವುದಿಲ್ಲ. "ನನಗೆ ಗೊತ್ತಿಲ್ಲ" ಎಂದು ಹೇಳುವ ಬೋಟ್‌ನ ಸಾಮರ್ಥ್ಯವು ಭದ್ರತಾ ವೈಶಿಷ್ಟ್ಯವಾಗಿದೆ, ದೌರ್ಬಲ್ಯವಲ್ಲ.

ಉತ್ತಮ ಜ್ಞಾನದ ಮೂಲ: ಉತ್ತರ ಗುಣಮಟ್ಟದ ನಿಜವಾದ ಮೂಲ

RAG ಎಷ್ಟೇ ಉತ್ತಮವಾಗಿದ್ದರೂ, ಜ್ಞಾನದ ಮೂಲವು ಕೆಟ್ಟದಾಗಿದ್ದರೆ, ಉತ್ತರವು ಕೆಟ್ಟದಾಗಿರುತ್ತದೆ. ಜ್ಞಾನದ ಮೂಲ ಗುಣಮಟ್ಟವನ್ನು ಇವರಿಂದ ಅಳೆಯಲಾಗುತ್ತದೆ:

ವೈಶಿಷ್ಟ್ಯ

ಕೆಟ್ಟ ಜ್ಞಾನದ ಆಧಾರ

ಉತ್ತಮ ಜ್ಞಾನ ಬೇಸ್

ಪ್ರಸ್ತುತತೆ

ತಿಂಗಳಿಂದ ಅಪ್‌ಡೇಟ್ ಆಗಿಲ್ಲ

ಬದಲಾಯಿಸಿದಾಗ ತಕ್ಷಣವೇ ನವೀಕರಿಸಲಾಗಿದೆ

ಸ್ಪಷ್ಟತೆ

ಉದ್ದವಾದ, ಸುರುಳಿಯಾಕಾರದ ಪಠ್ಯ

ಸಣ್ಣ, ಏಕ-ವಿಷಯದ ಲೇಖನಗಳು

ರಚನೆ

ಗೊಂದಲಮಯ PDF ರಾಶಿ

ಲೇಬಲ್ ಮಾಡಿದ ವಿಘಟನೀಯ ವಸ್ತುಗಳು

ಸ್ಥಿರತೆ

ಎರಡು ಸಂಘರ್ಷದ ಉತ್ತರಗಳು

ಸತ್ಯದ ಏಕೈಕ ಮೂಲ

ವ್ಯಾಪ್ತಿ

ಅನೇಕ ಅಂತರಗಳಿವೆ

ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ

ಮಾಲೀಕತ್ವ

ಯಾರೂ ಜವಾಬ್ದಾರರಲ್ಲ

ಪ್ರತಿಯೊಂದು ವಿಷಯವು ಮಾಲೀಕರನ್ನು ಹೊಂದಿದೆ

ಕಾಲ್ ಸೆಂಟರ್ ಸನ್ನಿವೇಶದಲ್ಲಿ ಅತ್ಯಂತ ಅಪಾಯಕಾರಿ ಸಮಸ್ಯೆಯೆಂದರೆ ವಿರೋಧಾಭಾಸ: ಜ್ಞಾನದ ನೆಲೆಯಲ್ಲಿ ಎರಡು ವಿಭಿನ್ನ ರಿಟರ್ನ್ ಅವಧಿಗಳನ್ನು ಬರೆದರೆ, RAG ಯಾವುದನ್ನು ತೆಗೆದುಕೊಂಡರೂ ಅದನ್ನು ಹೇಳುತ್ತದೆ ಮತ್ತು ಅಸಂಗತ ಉತ್ತರವನ್ನು ಗ್ರಾಹಕರಿಗೆ ಕಳುಹಿಸಲಾಗುತ್ತದೆ. ಅದಕ್ಕಾಗಿಯೇ "ಸತ್ಯದ ಏಕೈಕ ಮೂಲ" ತತ್ವವು ನಿರ್ಣಾಯಕವಾಗಿದೆ: ಮಾಹಿತಿಯನ್ನು ಒಂದೇ ಸ್ಥಳದಲ್ಲಿ ನವೀಕರಿಸಲಾಗುತ್ತದೆ; ಆ ಮೂಲದ ಉಲ್ಲೇಖಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ, ಪ್ರತಿಗಳಲ್ಲ.

ಹಂತ ಹಂತವಾಗಿ: RAG-ಬೆಂಬಲಿತ ಪ್ರತಿಕ್ರಿಯೆ ವ್ಯವಸ್ಥೆಯನ್ನು ನಿರ್ಮಿಸುವುದು

1. ಜ್ಞಾನದ ಮೂಲವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿ: ಹಳತಾದ, ಸಂಘರ್ಷದ, ನಕಲಿ ಲೇಖನಗಳನ್ನು ತೆಗೆದುಹಾಕಿ. ಪ್ರತಿ ಲೇಖನವನ್ನು ಚಿಕ್ಕದಾಗಿ ಮತ್ತು ಒಂದೇ ವಿಷಯವನ್ನಾಗಿ ಮಾಡಿ.
2. ಅದನ್ನು ಒಡೆದು ಟ್ಯಾಗ್ ಮಾಡಿ: ಪ್ರತಿ ಲೇಖನಕ್ಕೆ ವಿಷಯದ ಟ್ಯಾಗ್ ಮತ್ತು ಕೊನೆಯ ನವೀಕರಣ ದಿನಾಂಕವನ್ನು ಸೇರಿಸಿ.
3. ಪ್ರವೇಶವನ್ನು ಸ್ಥಾಪಿಸಿ: ಕೇಳಿದಾಗ ಸಂಬಂಧಿತ ಭಾಗಗಳನ್ನು ಎಳೆಯುವ ಕಾರ್ಯವಿಧಾನವನ್ನು ಸಂಪರ್ಕಿಸಿ (ಎಂಟರ್‌ಪ್ರೈಸ್ RAG ಉಪಕರಣಗಳು ಇದನ್ನು ಒದಗಿಸುತ್ತವೆ).
4. ಕಟ್ಟುನಿಟ್ಟಾದ ಪ್ರಾಂಪ್ಟ್ ಬರೆಯಿರಿ: "ಒದಗಿಸಿದ ಭಾಗಗಳನ್ನು ಮಾತ್ರ ಅವಲಂಬಿಸಿ, ಮೂಲವನ್ನು ಉಲ್ಲೇಖಿಸಿ ಅಥವಾ ನಿಮಗೆ ಗೊತ್ತಿಲ್ಲ ಎಂದು ಹೇಳಿ" ಎಂದು ಮಾದರಿಗೆ ಹೇಳಿ.
5. ಮೂಲವನ್ನು ಉಲ್ಲೇಖಿಸಿ: ಉತ್ತರವನ್ನು ಆಧರಿಸಿದ ಲೇಖನವನ್ನು ತೋರಿಸಿ; ಇದು ಎರಡೂ ಆತ್ಮವಿಶ್ವಾಸವನ್ನು ನೀಡುತ್ತದೆ ಮತ್ತು ಪರಿಶೀಲನೆಯನ್ನು ಸುಗಮಗೊಳಿಸುತ್ತದೆ.
6. ಅಂತರಗಳಿಗಾಗಿ ವೀಕ್ಷಿಸಿ: ಬೋಟ್ "ನನಗೆ ಗೊತ್ತಿಲ್ಲ" ಎಂದು ಹೇಳುವ ಪ್ರಶ್ನೆಗಳನ್ನು ಸಂಗ್ರಹಿಸಿ; ಇವು ಜ್ಞಾನ ನೆಲೆಯಲ್ಲಿನ ಕೊರತೆಗಳನ್ನು ತೋರಿಸುತ್ತವೆ, ಅಲ್ಲಿಂದ ಆಹಾರ ನೀಡುತ್ತವೆ.

ನಾಲ್ಕು ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

1) ಕಟ್ಟುನಿಟ್ಟಾದ RAG ಉತ್ತರ ಪ್ರಾಂಪ್ಟ್:

ಕೆಳಗಿನ [SOURCE] ಭಾಗಗಳ ಆಧಾರದ ಮೇಲೆ ಉತ್ತರಿಸಿ. ನಿಯಮಗಳು: (1) ಮೂಲದಲ್ಲಿರುವ ಮಾಹಿತಿಯನ್ನು ಮಾತ್ರ ಬಳಸಿ, (2) ಅದು ಮೂಲದಲ್ಲಿ ಇಲ್ಲದಿದ್ದರೆ, "ನನಗೆ ಇದರ ಬಗ್ಗೆ ಯಾವುದೇ ಖಚಿತವಾದ ಮಾಹಿತಿ ಇಲ್ಲ, ನಾನು ನಿಮ್ಮನ್ನು ಪ್ರತಿನಿಧಿಗೆ ಸಂಪರ್ಕಿಸುತ್ತೇನೆ" ಎಂದು ಹೇಳಿ, (3) ಇದು ಯಾವ ಲೇಖನವನ್ನು ಆಧರಿಸಿದೆ ಎಂಬುದನ್ನು ತಿಳಿಸಿ [ಮೂಲ: ಐಟಂ-ಇಲ್ಲ], (4) ಮೂಲದಿಂದ ನಿಖರವಾಗಿ ಮೊತ್ತ/ಅವಧಿ/ಷರತ್ತನ್ನು ಉಲ್ಲೇಖಿಸಿ, ಸುತ್ತು/ಮಾಡಬೇಡಿ. [ಮೂಲ]: << ಎಳೆದ ಭಾಗಗಳು>>ಪ್ರಶ್ನೆ: "<<ಗ್ರಾಹಕರ ಪ್ರಶ್ನೆ>>"

2) ಜ್ಞಾನದ ಮೂಲ ಲೇಖನ ಬರವಣಿಗೆ:

ಕೆಳಗಿನ ಚದುರಿದ ನೀತಿ ಪಠ್ಯವನ್ನು RAG ಗೆ ಸೂಕ್ತವಾದ FAQ ಲೇಖನವಾಗಿ ಪರಿವರ್ತಿಸಿ. ಸ್ವರೂಪ: ಪ್ರಶ್ನೆ (ಗ್ರಾಹಕರ ಭಾಷೆಯಲ್ಲಿ) / ಸಣ್ಣ ಉತ್ತರ (2-3 ವಾಕ್ಯಗಳು) / ಷರತ್ತುಗಳು (ಷರತ್ತು) / ಕೊನೆಯ ನವೀಕರಣದ ದಿನಾಂಕ / ವಿಷಯ ಟ್ಯಾಗ್. ಯಾವುದೇ ಅಸ್ಪಷ್ಟ ಬಿಂದುಗಳನ್ನು "ಸ್ಪಷ್ಟಪಡಿಸಲು" ಎಂದು ಗುರುತಿಸಿ, ನಂಬಿ. ಕಚ್ಚಾ ಪಠ್ಯ: <<text>>

3) ವಿರೋಧಾಭಾಸಗಳು ಮತ್ತು ಅಂತರಗಳಿಗಾಗಿ ಸ್ಕ್ಯಾನಿಂಗ್:

ಕೆಳಗಿನ ಜ್ಞಾನ ಮೂಲ ಲೇಖನಗಳನ್ನು ಪರೀಕ್ಷಿಸಿ. (1) ಪರಸ್ಪರ ಸಂಘರ್ಷಿಸುವ ಲೇಖನಗಳ ಜೋಡಿಗಳನ್ನು ಗುರುತಿಸಿ (ಉದಾ. ವಿಭಿನ್ನ ವಾಪಸಾತಿ ಅವಧಿ). (2) ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಆದರೆ ಉತ್ತರಗಳಿಲ್ಲದ ವಿಷಯಗಳನ್ನು ಊಹಿಸಿ. ಕೊಟ್ಟಿರುವ ಲೇಖನಗಳನ್ನು ಮಾತ್ರ ನೋಡಿ; ಹೊಸ ನೀತಿಯನ್ನು ತಯಾರಿಸಲಾಗುತ್ತಿದೆ. ಲೇಖನಗಳು: <<ಪಟ್ಟಿ>>

4) "ನನಗೆ ಗೊತ್ತಿಲ್ಲ" ಲಾಗ್‌ನಿಂದ ಸುಧಾರಣೆ:

ಬೋಟ್ ಉತ್ತರಿಸಲು ಸಾಧ್ಯವಾಗದ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೆಳಗೆ ನೀಡಲಾಗಿದೆ (ಮೂಲವನ್ನು ಕಂಡುಹಿಡಿಯಲಾಗಲಿಲ್ಲ). ಅವುಗಳನ್ನು ವಿಷಯಗಳಾಗಿ ಗುಂಪು ಮಾಡಿ ಮತ್ತು ಪ್ರತಿ ಗುಂಪಿಗೆ ಜ್ಞಾನದ ಮೂಲಕ್ಕೆ ಸೇರಿಸಬೇಕಾದ ಲೇಖನದ ಶೀರ್ಷಿಕೆಯನ್ನು ಸೂಚಿಸಿ. ಉತ್ತರದ ವಿಷಯವನ್ನು ರಚಿಸಬೇಡಿ, ಯಾವ ಐಟಂ ಕಾಣೆಯಾಗಿದೆ ಎಂದು ಹೇಳಿ. ಪ್ರಶ್ನೆಗಳು: <<ಪಟ್ಟಿ>>

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:

ಗ್ರಾಹಕರ ರಿಟರ್ನ್ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಿ.

ಮೂಲವಿಲ್ಲ; ಮಾದರಿಯು ಮೆಮೊರಿಯಿಂದ ಸರಿಹೊಂದಬಹುದು, ಮೊತ್ತ/ಅವಧಿಯು ತಪ್ಪಾಗಿರಬಹುದು, ಅದನ್ನು ಪರಿಶೀಲಿಸಲಾಗುವುದಿಲ್ಲ.

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:

ಕೆಳಗಿನ ರಿಟರ್ನ್ ಪಾಲಿಸಿ ಷರತ್ತು ಆಧರಿಸಿ ಮಾತ್ರ ಉತ್ತರಿಸಿ. ಅದು ಮೂಲದಲ್ಲಿ ಲಭ್ಯವಿಲ್ಲದಿದ್ದರೆ, "ನನಗೆ ಖಚಿತವಾಗಿ ತಿಳಿದಿಲ್ಲ" ಎಂದು ಹೇಳಿ. ಅವಧಿ ಮತ್ತು ಸ್ಥಿತಿಯನ್ನು ಪದಶಬ್ದವಾಗಿ ಉಲ್ಲೇಖಿಸಿ, [ಮೂಲ: ರಿಟರ್ನ್-03] ರೂಪದಲ್ಲಿ ಉಲ್ಲೇಖವನ್ನು ನೀಡಿ. ಪ್ರಶ್ನೆ: "ನಾನು 20 ದಿನಗಳ ಹಿಂದೆ ಖರೀದಿಸಿದ ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ ಉತ್ಪನ್ನವನ್ನು ಹಿಂತಿರುಗಿಸಬಹುದೇ?"

ವ್ಯತ್ಯಾಸ: ಮೂಲ ಅವಲಂಬಿತ, ಉಲ್ಲೇಖ ಕಡ್ಡಾಯ, ಫ್ಯಾಬ್ರಿಕೇಶನ್ ನಿಷೇಧ ಸ್ಪಷ್ಟ; ಮಾದರಿಯು ಮೂಲದಿಂದ ಸರಿಯಾದ ಉತ್ತರವನ್ನು ("14 ದಿನಗಳ ಹಿಂದಿನ ಮತ್ತು ವೈಯಕ್ತೀಕರಿಸಿದ, ಮರುಪಾವತಿಸಲಾಗುವುದಿಲ್ಲ") ಉತ್ಪಾದಿಸುತ್ತದೆ.

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಭ್ರಮೆಯನ್ನು ಕೊನೆಗೊಳಿಸುವುದು. ಯಾವುದೇ-RAG ಸೆಟಪ್‌ನಲ್ಲಿ ಪ್ರಚಾರದ ಪ್ರಶ್ನೆಗಳಿಗೆ ಟೆಲಿಕಾಂ ಬೋಟ್‌ನ ಉತ್ತರ ನಿಖರತೆಯು 71% ಆಗಿತ್ತು; ಮಾದರಿಯು ಕೆಲವೊಮ್ಮೆ ಹಳೆಯ ಪ್ರಚಾರಗಳನ್ನು ಮಾಡಿತು. ಪ್ರಸ್ತುತ ಪ್ರಚಾರ ಪುಟಗಳನ್ನು RAG ಗೆ ಸಂಪರ್ಕಿಸಿದಾಗ ಮತ್ತು "ಮೂಲದಲ್ಲಿ ಇಲ್ಲದಿದ್ದರೆ ಅದನ್ನು ಹೇಳಬೇಡಿ" ನಿಯಮವನ್ನು ಸೇರಿಸಿದಾಗ, ನಿಖರತೆ 96% ಕ್ಕೆ ಏರಿತು ಮತ್ತು "ತಪ್ಪು ಪ್ರಚಾರ ಪದಗಳ" ಕುರಿತು ದೂರುಗಳು ಬಹುತೇಕ ಕೊನೆಗೊಂಡಿವೆ.

ಪ್ರಕರಣ 2 - ವಿರೋಧಾಭಾಸದ ಬೆಲೆ. ಇ-ಕಾಮರ್ಸ್ ಕಂಪನಿಯ ಜ್ಞಾನದ ನೆಲೆಯಲ್ಲಿ, ಎರಡು ವಿಭಿನ್ನ ಶಿಪ್ಪಿಂಗ್ ವೆಚ್ಚಗಳನ್ನು ಎರಡು ಪುಟಗಳಲ್ಲಿ ಬರೆಯಲಾಗಿದೆ (ಒಂದು ಪ್ರಸ್ತುತ, ಒಂದು ಹಳೆಯ ಮರೆತುಹೋದ ಪುಟ). ಬೋಟ್ ಯಾದೃಚ್ಛಿಕವಾಗಿ ಯಾರನ್ನಾದರೂ ಎಳೆದುಕೊಂಡು ಕೆಲವು ಗ್ರಾಹಕರಿಗೆ ತಪ್ಪು ಬೆಲೆಯನ್ನು ಹೇಳುತ್ತಿತ್ತು. ಒಂದೇ ಸರಿಯಾದ ಮೂಲದ ತತ್ವದೊಂದಿಗೆ ಹಳೆಯ ಪುಟವನ್ನು ಆರ್ಕೈವ್ ಮಾಡಿದಾಗ, ಅಸಂಗತತೆ ಕಣ್ಮರೆಯಾಯಿತು. ಪಾಠ: RAG ವಿರೋಧಾಭಾಸವನ್ನು ಪರಿಹರಿಸುವುದಿಲ್ಲ, ಅದು ವಿರೋಧಾಭಾಸವನ್ನು ಹಾಗೆಯೇ ಪ್ರಚಾರ ಮಾಡುತ್ತದೆ.

ಪ್ರಕರಣ 3 — “ನನಗೆ ಗೊತ್ತಿಲ್ಲ” ಲಾಗ್‌ನ ಮೌಲ್ಯ. ಒಂದು ಬ್ಯಾಂಕ್‌ನಲ್ಲಿ, ಬೋಟ್ ತಿಂಗಳಿಗೆ ~4,000 ಪ್ರಶ್ನೆಗಳಿಗೆ "ನನಗೆ ಖಚಿತವಾಗಿ ಗೊತ್ತಿಲ್ಲ" ಎಂದು ಹೇಳುತ್ತಿತ್ತು. ಈ ಪ್ರಶ್ನೆಗಳನ್ನು ಗುಂಪು ಮಾಡಿದಾಗ, 40% "ಅಂತರರಾಷ್ಟ್ರೀಯ ಕಾರ್ಡ್ ಬಳಕೆ"ಗೆ ಸಂಬಂಧಿಸಿದವು ಎಂದು ಕಂಡುಬಂದಿದೆ; ಅದರ ಬಗ್ಗೆ ಯಾವುದೇ ಲೇಖನ ಇರಲಿಲ್ಲ. ಸಂಬಂಧಿತ ವಸ್ತುಗಳನ್ನು ಸೇರಿಸಿದಾಗ, ಈ ಪ್ರಶ್ನೆಗಳನ್ನು ಪರಿಹರಿಸಲಾಯಿತು ಮತ್ತು ಆ ವಿಷಯದ ಜನರ ವಹಿವಾಟು 55% ರಷ್ಟು ಕಡಿಮೆಯಾಗಿದೆ. ಬೋಟ್ ತನಗೆ ಗೊತ್ತಿಲ್ಲ ಎಂದು ಹೇಳಿದ್ದು ಸುಧಾರಣೆಯ ಮಾರ್ಗಸೂಚಿಯಾಯಿತು.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಮೂಲಕ್ಕೆ ಲಿಂಕ್ ಮಾಡದೆ ಉತ್ತರಿಸುವುದು. RAG ಇಲ್ಲದೆ, ಮಾದರಿಯು ಕಾಂಕ್ರೀಟ್ ಮಾಹಿತಿಗೆ ಸರಿಹೊಂದುತ್ತದೆ; ಯಾವುದೇ ನಿರ್ದಿಷ್ಟ ಉತ್ತರವು ಮೂಲವನ್ನು ಅವಲಂಬಿಸಿರಬೇಕು.
• "ನನಗೆ ಗೊತ್ತಿಲ್ಲ" ಆಯ್ಕೆಯನ್ನು ಆಫ್ ಮಾಡಲಾಗುತ್ತಿದೆ. ಪ್ರತಿ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಲು ಮಾದರಿಯನ್ನು ಒತ್ತಾಯಿಸುವುದು ಫಿಟ್ಟಿಂಗ್ ಅನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ.
• ಸಂಘರ್ಷದ/ಹಳೆಯ ಮಾಹಿತಿಯನ್ನು ತೆರವುಗೊಳಿಸುತ್ತಿಲ್ಲ. RAG ವಿರೋಧಾಭಾಸವನ್ನು ಹರಡುತ್ತದೆ; ಒಂದೇ ಸರಿಯಾದ ಮೂಲ ಅತ್ಯಗತ್ಯ.
• ಚೂರುಚೂರು ಮಾಡಲು ನಿರ್ಲಕ್ಷ್ಯ. ದೊಡ್ಡ PDF ಗಳನ್ನು ರಫ್ತು ಮಾಡುವುದು ನಿಖರವಾದ ಪ್ರವೇಶವನ್ನು ಅಡ್ಡಿಪಡಿಸುತ್ತದೆ; ಸಣ್ಣ, ಏಕ-ವಿಷಯದ ಲೇಖನಗಳನ್ನು ಬಳಸಿ.
• ಮೂಲವನ್ನು ಮರೆಮಾಡುವುದು. ಯಾವ ಉತ್ತರವನ್ನು ಆಧರಿಸಿದೆ ಎಂಬುದನ್ನು ಸೂಚಿಸದಿರುವುದು ಪರಿಶೀಲನೆ ಮತ್ತು ನಂಬಿಕೆಯನ್ನು ದುರ್ಬಲಗೊಳಿಸುತ್ತದೆ.

ಎಚ್ಚರಿಕೆ: RAG ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ ಆದರೆ 100% ಗ್ಯಾರಂಟಿ ನೀಡುವುದಿಲ್ಲ. ಮಾದರಿಯು ಕೆಲವೊಮ್ಮೆ ಸೆರೆಹಿಡಿಯಲಾದ ಭಾಗವನ್ನು ತಪ್ಪಾಗಿ ಅರ್ಥೈಸಿಕೊಳ್ಳಬಹುದು. ಆದ್ದರಿಂದ, ಮೂಲವನ್ನು ಉಲ್ಲೇಖಿಸಿದ್ದರೂ ಸಹ ಹಣಕಾಸು, ಕಾನೂನು ಮತ್ತು ಭದ್ರತಾ ಸಮಸ್ಯೆಗಳಿಗೆ ಮಾನವ ಅನುಮೋದನೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ; RAG ಭ್ರಮೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಆದರೆ ಜವಾಬ್ದಾರಿಯನ್ನು ತೆಗೆದುಹಾಕುವುದಿಲ್ಲ.

ಸಾರಾಂಶದಲ್ಲಿ

ಜ್ಞಾನದ ಮೂಲ ಮತ್ತು RAG ಕಾಲ್ ಸೆಂಟರ್ AI ನ ನಿಖರತೆಯ ಅಡಿಪಾಯವಾಗಿದೆ. RAG ಬಹುಮಟ್ಟಿಗೆ ಭ್ರಮೆಯನ್ನು ತಡೆಯುತ್ತದೆ, ಮಾದರಿಯು ಮೆಮೊರಿಯಿಂದ ಉತ್ತರವನ್ನು ಅಳವಡಿಸುವುದನ್ನು ತಡೆಯುತ್ತದೆ ಮತ್ತು ಪ್ರಸ್ತುತ ಮೂಲವನ್ನು ಮಾತ್ರ ಅವಲಂಬಿಸುತ್ತದೆ. ಆದರೆ RAG ಅದರ ಜ್ಞಾನದ ಮೂಲದಷ್ಟು ಮಾತ್ರ ಉತ್ತಮವಾಗಿದೆ: ನವೀಕೃತ, ಸ್ಪಷ್ಟ, ರಚನಾತ್ಮಕ, ಸಂಘರ್ಷ-ಮುಕ್ತ ಮತ್ತು ಸತ್ಯದ ಏಕೈಕ ಮೂಲವನ್ನು ಹೊಂದಿರುವ ಜ್ಞಾನದ ಬೇಸ್ ಅತ್ಯಗತ್ಯ. ಮಾದರಿಗೆ "ಇದು ಮೂಲದಲ್ಲಿ ಇಲ್ಲದಿದ್ದರೆ, ನಿಮಗೆ ಗೊತ್ತಿಲ್ಲ ಎಂದು ಹೇಳಿ" ಎಂದು ಹೇಳಿ, ಮೂಲವನ್ನು ಸೂಚಿಸಿ ಮತ್ತು ಅದರ ಜ್ಞಾನದ ಮೂಲವನ್ನು ಸುಧಾರಿಸಲು ಬೋಟ್ ಉತ್ತರಿಸಲು ಸಾಧ್ಯವಾಗದ ಪ್ರಶ್ನೆಗಳನ್ನು ಬಳಸಿ. ಹೆಚ್ಚಿನ ಹಕ್ಕನ್ನು ಹೊಂದಿರುವ ವಿಷಯಗಳ ಮೇಲೆ ಮೂಲದ ಹೊರತಾಗಿಯೂ ಮಾನವ ಒಪ್ಪಿಗೆಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳಿ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ನಿಮ್ಮ ಉದ್ಯಮದಿಂದ 8 ನೈಜ/ವಾಸ್ತವಿಕ ಗ್ರಾಹಕ ಪ್ರಶ್ನೆಗಳನ್ನು ಮತ್ತು 8 ಸಣ್ಣ ಜ್ಞಾನದ ಮೂಲ ಲೇಖನಗಳನ್ನು ಬರೆಯಿರಿ (ಪ್ರತಿ ಲೇಖನ: ಪ್ರಶ್ನೆ, ಸಣ್ಣ ಉತ್ತರ, ಷರತ್ತುಗಳು, ದಿನಾಂಕ, ಟ್ಯಾಗ್). ನಂತರ "1) ಬಿಗಿಯಾದ RAG ಉತ್ತರ ಪ್ರಾಂಪ್ಟ್" ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಮಾದರಿಯು "ನನಗೆ ಗೊತ್ತಿಲ್ಲ" ಎಂದು ಹೇಳಬಹುದೇ ಎಂದು ಪರೀಕ್ಷಿಸಿ ಮತ್ತು ಪ್ರಶ್ನೆಯನ್ನು ಕೇಳುವುದು, ಅದರಲ್ಲಿ ಒಂದು ಜ್ಞಾನದ ಮೂಲದಲ್ಲಿಲ್ಲ. ಅಂತಿಮವಾಗಿ, ನಿಮ್ಮ ಲೇಖನಗಳನ್ನು "3) ವಿರೋಧಾಭಾಸ ಮತ್ತು ಅಂತರ ಸ್ಕ್ಯಾನಿಂಗ್" ನೊಂದಿಗೆ ಪರಿಶೀಲಿಸಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ಬೋಟ್/ಅಸಿಸ್ಟೆಂಟ್ ನೀಡುವ ಪ್ರತಿಯೊಂದು ನಿರ್ದಿಷ್ಟ ಉತ್ತರವು ಪ್ರಸ್ತುತ ಜ್ಞಾನದ ಆಧಾರವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ (RAG ಮೂಲಕ).
• [ ] ನಾನು ಮಾದರಿಗೆ "ಇದು ಮೂಲದಲ್ಲಿ ಇಲ್ಲದಿದ್ದರೆ, ನಿಮಗೆ ಗೊತ್ತಿಲ್ಲ ಎಂದು ಹೇಳಿ" ಮತ್ತು ಅದನ್ನು ಪರೀಕ್ಷಿಸಿದೆ.
• [ ] ನನ್ನ ಜ್ಞಾನದ ಮೂಲವು ನವೀಕೃತ, ಸ್ಪಷ್ಟ, ಏಕ-ವಿಷಯದ ಲೇಖನಗಳನ್ನು ಒಳಗೊಂಡಿದೆ.
• [ ] ನಾನು ಸಂಘರ್ಷದ ಮತ್ತು ಹಳೆಯ ಲೇಖನಗಳನ್ನು ತೆರವುಗೊಳಿಸಿದೆ; ಎಲ್ಲಾ ಮಾಹಿತಿಗೆ ಒಂದೇ ಒಂದು ಸರಿಯಾದ ಮೂಲವಿದೆ.
• [ ] ಇದು ಯಾವ ಲೇಖನವನ್ನು ಆಧರಿಸಿದೆ ಎಂಬುದನ್ನು ಉತ್ತರಗಳು ತೋರಿಸುತ್ತವೆ (ಮೂಲ).
• [ ] ನಾನು "ನನಗೆ ಗೊತ್ತಿಲ್ಲ" ಪ್ರಶ್ನೆಗಳನ್ನು ಸಂಗ್ರಹಿಸುತ್ತೇನೆ ಮತ್ತು ಜ್ಞಾನದ ಮೂಲವನ್ನು ಪೋಷಿಸುತ್ತೇನೆ.