നോളജ് ബേസും റാഗും: ബോട്ടും ഏജൻ്റും എങ്ങനെ ശരിയായ ഉത്തരം കണ്ടെത്തുന്നു

നേട്ടങ്ങൾ:

• RAG (ഫ്രാഗ്മെൻ്റേഷൻ, ആക്സസ്, റിസോഴ്സ്-ആശ്രിത തലമുറ) എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്നും അത് എങ്ങനെ ഭ്രമാത്മകത കുറയ്ക്കുന്നുവെന്നും മനസ്സിലാക്കുക
• നിലവിലുള്ളതും വ്യക്തവും വൈരുദ്ധ്യമില്ലാത്തതും ശരിയായ ഒരൊറ്റ ഉറവിടമുള്ളതുമായ ഒരു വിജ്ഞാന അടിത്തറ സ്ഥാപിച്ചുകൊണ്ട് ഉത്തരങ്ങളുടെ ഗുണനിലവാരം വർദ്ധിപ്പിക്കാനുള്ള കഴിവ്.
• 'അത് ഉറവിടത്തിൽ ഇല്ലെങ്കിൽ, നിങ്ങൾക്കറിയില്ലെന്ന് എന്നോട് പറയൂ' എന്ന മാതൃകയെ നിർദ്ദേശിക്കാനും അതിന് ഉത്തരം നൽകാൻ കഴിയാത്ത ചോദ്യങ്ങളെ വിജ്ഞാന അടിത്തറ മെച്ചപ്പെടുത്താനും ഉള്ള കഴിവ്

ഒരു ബോട്ട് അല്ലെങ്കിൽ ഏജൻ്റ് അസിസ്റ്റൻ്റ് നൽകുന്ന ഉത്തരം അത് അടിസ്ഥാനമാക്കിയുള്ള വിവരങ്ങളുടെ അത്ര മികച്ചതാണ്. “പ്രചാരണം തുടരുകയാണോ?” എന്ന് ഉപഭോക്താവ് ചോദിക്കുമ്പോൾ, ശരിയായ ഉത്തരം മോഡലിൻ്റെ ഓർമ്മയിലല്ല, മറിച്ച് സ്ഥാപനത്തിൻ്റെ നിലവിലെ വിജ്ഞാന അടിത്തറയിലാണ്. അതുകൊണ്ടാണ് കോൾ സെൻ്റർ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ ഹൃദയം വിജ്ഞാന അടിത്തറ (KB): ഉൽപ്പന്നങ്ങൾ, നയങ്ങൾ, പതിവുചോദ്യങ്ങൾ, നടപടിക്രമങ്ങൾ, നിയമങ്ങൾ എന്നിവ രേഖാമൂലം സൂക്ഷിക്കുന്ന ഒരു കാലികമായ ഉറവിടം. ഈ വിജ്ഞാന അടിത്തറയെ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസുമായി സുരക്ഷിതമായി ബന്ധിപ്പിക്കുന്ന രീതിയെ RAG: Retrieval-Augmented Generation എന്ന് വിളിക്കുന്നു - സ്വന്തം മെമ്മറിയിൽ നിന്ന് ഉത്തരം ഉണ്ടാക്കുന്നതിനുപകരം, മോഡൽ ആദ്യം ഉറവിടത്തിൽ നിന്ന് പ്രസക്തമായ വിവരങ്ങൾ വീണ്ടെടുക്കുന്നു (വീണ്ടെടുക്കൽ) തുടർന്ന് ആ ഭാഗങ്ങളെ അടിസ്ഥാനമാക്കി മാത്രം (തലമുറ) ഉത്തരം സൃഷ്ടിക്കുന്നു.

ഹാലുസിനേഷൻ തടയുന്നതിനുള്ള ഏറ്റവും ശക്തമായ മാർഗ്ഗമാണ് RAG. "വായ്പ പലിശ നിരക്ക് എന്താണ്?" എന്ന ചോദ്യത്തിന് മോഡൽ അതിൻ്റെ തലയിൽ ഒരു നമ്പർ സൃഷ്ടിക്കുന്നില്ല. ഇത് വിജ്ഞാന അടിത്തറയിൽ നിന്ന് നിലവിലെ താൽപ്പര്യ വാചകം വീണ്ടെടുക്കുകയും അതിൻ്റെ അടിസ്ഥാനത്തിൽ ഉത്തരങ്ങൾ നൽകുകയും ചെയ്യുന്നു. വിജ്ഞാന അടിത്തറ എങ്ങനെ സജ്ജീകരിക്കാമെന്നും RAG എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്നും ഒരു നല്ല വിജ്ഞാന അടിത്തറ എങ്ങനെ ഉത്തരങ്ങളുടെ ഗുണനിലവാരം നിർണ്ണയിക്കുന്നുവെന്നും ഈ യൂണിറ്റിൽ നമ്മൾ കാണും.

എങ്ങനെയാണ് RAG പ്രവർത്തിക്കുന്നത്: നാല് ഘട്ടങ്ങൾ

ഒരു ലൈബ്രേറിയനെപ്പോലെ RAG നെക്കുറിച്ച് ചിന്തിക്കുക. ഉപഭോക്താവ് ചോദ്യങ്ങൾ ചോദിക്കുന്നു; സിസ്റ്റം ആദ്യം ലൈബ്രറിയുടെ വലത് ഷെൽഫിൽ നിന്ന് പ്രസക്തമായ പേജുകൾ കണ്ടെത്തുന്നു, തുടർന്ന് ആ പേജുകൾ വായിച്ച് ഉത്തരം എഴുതുന്നു. സാങ്കേതിക ഘട്ടങ്ങൾ ഇപ്രകാരമാണ്:

1. ചങ്കിംഗ്: വിജ്ഞാന അടിത്തറയിലെ ദൈർഘ്യമേറിയ പ്രമാണങ്ങൾ ചെറുതും അർത്ഥവത്തായതുമായ കഷണങ്ങളായി വിഭജിക്കപ്പെടുന്നു (ഉദാ. ഓരോ പതിവുചോദ്യങ്ങളും ഒരു ഭാഗമാണ്). കാരണം മോഡൽ ഒരു ചോദ്യത്തിന് അനുബന്ധ ചെറിയ ഭാഗങ്ങൾ ഉപയോഗിച്ച് കൂടുതൽ കൃത്യമായി ഉത്തരം നൽകുന്നു.
2. ഉൾച്ചേർക്കലും ഇൻഡക്‌സിംഗും: ഓരോ ഭാഗവും അതിൻ്റെ അർത്ഥത്തെ പ്രതിനിധീകരിക്കുന്ന ഒരു സംഖ്യാ രൂപത്തിലേക്ക് വിവർത്തനം ചെയ്യപ്പെടുന്നു (ഉൾച്ചേർക്കൽ - ടെക്‌സ്‌റ്റിൻ്റെ അർത്ഥത്തെ പ്രതിനിധീകരിക്കുന്ന സംഖ്യകളുടെ ഒരു ശ്രേണി) കൂടാതെ തിരയാനാകുന്ന ഒരു ഡാറ്റാബേസിൽ സ്ഥാപിക്കുന്നു. അതിനാൽ, ഇത് ഒരു "പദ പൊരുത്തം" അല്ല, മറിച്ച് "അർത്ഥ പൊരുത്തം" ആണ്; "എൻ്റെ പണം എപ്പോൾ നിക്ഷേപിക്കും?" എന്ന് ഉപഭോക്താവ് ചോദിച്ചാലും, "റീഫണ്ട് കാലയളവ്" എന്ന ഭാഗം കണ്ടെത്തിയേക്കാം.
3. വീണ്ടെടുക്കൽ: ഉപഭോക്താവിൻ്റെ ചോദ്യത്തോട് ഏറ്റവും അടുത്തുള്ള ഭാഗങ്ങൾ വീണ്ടെടുക്കുന്നു (ഉദാ. ഏറ്റവും അടുത്തുള്ള 3-5 ഭാഗങ്ങൾ).
4. ജനറേഷൻ: വരച്ച ഭാഗങ്ങളെ മാത്രം അടിസ്ഥാനമാക്കി മോഡൽ ഉത്തരം എഴുതുകയും സാധ്യമെങ്കിൽ ഉറവിടം സൂചിപ്പിക്കുകയും ചെയ്യുന്നു.

നിർണ്ണായക പോയിൻ്റ് ഘട്ടം 4-ലാണ്: "നൽകിയ കഷണങ്ങളെ മാത്രം ആശ്രയിക്കുക, അല്ലെങ്കിൽ നിങ്ങൾക്കറിയില്ലെന്ന് പറയുക" എന്ന് മോഡലിന് നിർദ്ദേശം നൽകിയിട്ടുണ്ട്. ഈ നിർദ്ദേശം കൂടാതെ, RAG മോഡലിനെ ഫിറ്റിംഗിൽ നിന്ന് തടയില്ല.

സൂചന: RAG-ൻ്റെ സുവർണ്ണ നിയമം: "ഇത് ഉറവിടത്തിൽ ഇല്ലെങ്കിൽ, ഉത്തരമില്ല." ഒരു നല്ല RAG സിസ്റ്റം അറിവിൻ്റെ അടിത്തറയിൽ ഇല്ലാത്ത ഒരു ചോദ്യത്തിന് "ഇതിനെക്കുറിച്ച് എനിക്ക് ഉറപ്പില്ല" എന്ന് പറയും; ഊഹങ്ങൾ കൊണ്ട് ഒരിക്കലും വിടവ് നികത്തുന്നില്ല. "എനിക്കറിയില്ല" എന്ന് പറയാനുള്ള ബോട്ടിൻ്റെ കഴിവ് ഒരു സുരക്ഷാ സവിശേഷതയാണ്, ഒരു ബലഹീനതയല്ല.

ഒരു നല്ല വിജ്ഞാന അടിത്തറ: ഉത്തര ഗുണനിലവാരത്തിൻ്റെ യഥാർത്ഥ ഉറവിടം

RAG എത്ര മികച്ചതാണെങ്കിലും, അറിവിൻ്റെ അടിത്തറ മോശമാണെങ്കിൽ, ഉത്തരം മോശമാണ്. അറിവിൻ്റെ അടിസ്ഥാന നിലവാരം അളക്കുന്നത്:

സവിശേഷത

മോശം വിജ്ഞാന അടിത്തറ

നല്ല വിജ്ഞാന അടിത്തറ

നിലവിലുള്ളത്

മാസങ്ങളായി പുതുക്കിയിട്ടില്ല

മാറിയപ്പോൾ ഉടൻ അപ്ഡേറ്റ് ചെയ്തു

വ്യക്തത

നീണ്ട, വളഞ്ഞ വാചകം

ഹ്രസ്വവും ഒറ്റ വിഷയവുമായ ലേഖനങ്ങൾ

ഘടന

കുഴഞ്ഞുമറിഞ്ഞ PDF പൈൽ

ഡീഗ്രേഡബിൾ പദാർത്ഥങ്ങൾ എന്ന് ലേബൽ ചെയ്തിരിക്കുന്നു

സ്ഥിരത

പരസ്പരവിരുദ്ധമായ രണ്ട് ഉത്തരങ്ങൾ

സത്യത്തിൻ്റെ ഏക ഉറവിടം

വ്യാപ്തി

ധാരാളം വിടവുകൾ ഉണ്ട്

പതിവായി ചോദിക്കുന്ന ചോദ്യങ്ങൾ കവർ ചെയ്യുന്നു

ഉടമസ്ഥാവകാശം

ആരും ഉത്തരവാദികളല്ല

ഓരോ വിഷയത്തിനും ഒരു ഉടമയുണ്ട്

കോൾ സെൻ്റർ സന്ദർഭത്തിലെ ഏറ്റവും അപകടകരമായ പ്രശ്നം വൈരുദ്ധ്യമാണ്: രണ്ട് വ്യത്യസ്ത റിട്ടേൺ പിരീഡുകൾ നോളജ് ബേസിൽ എഴുതിയിട്ടുണ്ടെങ്കിൽ, RAG അത് എടുക്കുന്നതെന്തും പറയുകയും സ്ഥിരതയില്ലാത്ത ഉത്തരം ഉപഭോക്താവിന് അയയ്ക്കുകയും ചെയ്യും. അതുകൊണ്ടാണ് "സത്യത്തിൻ്റെ ഏക ഉറവിടം" എന്ന തത്വം നിർണായകമായത്: വിവരങ്ങൾ ഒരിടത്ത് കാലികമായി സൂക്ഷിക്കുന്നു; ആ ഉറവിടത്തിലേക്കുള്ള റഫറൻസുകളാണ് ഉപയോഗിക്കുന്നത്, പകർപ്പുകളല്ല.

ഘട്ടം ഘട്ടമായി: ഒരു RAG- പിന്തുണയുള്ള പ്രതികരണ സംവിധാനം നിർമ്മിക്കുക

1. വിജ്ഞാന അടിത്തറ വൃത്തിയാക്കുക: കാലഹരണപ്പെട്ടതും വൈരുദ്ധ്യമുള്ളതും തനിപ്പകർപ്പുള്ളതുമായ ലേഖനങ്ങൾ നീക്കം ചെയ്യുക. ഓരോ ലേഖനവും ഹ്രസ്വവും ഒറ്റ വിഷയവുമാക്കുക.
2. ഇത് പൊളിച്ച് ടാഗ് ചെയ്യുക: ഓരോ ലേഖനത്തിനും ഒരു വിഷയ ടാഗും അവസാന അപ്‌ഡേറ്റ് തീയതിയും ചേർക്കുക.
3. ആക്സസ് സ്ഥാപിക്കുക: ആവശ്യപ്പെടുമ്പോൾ പ്രസക്തമായ ഭാഗങ്ങൾ വലിച്ചെടുക്കുന്ന ഒരു മെക്കാനിസം ബന്ധിപ്പിക്കുക (എൻ്റർപ്രൈസ് RAG ടൂളുകൾ ഇത് നൽകുന്നു).
4. കർശനമായ നിർദ്ദേശം എഴുതുക: മോഡലിനോട് "നൽകിയ ഭാഗങ്ങളിൽ മാത്രം ആശ്രയിക്കുക, ഉറവിടം ഉദ്ധരിക്കുക അല്ലെങ്കിൽ നിങ്ങൾക്കറിയില്ലെന്ന് പറയുക" എന്ന് പറയുക.
5. ഉറവിടം ഉദ്ധരിക്കുക: ഉത്തരം അടിസ്ഥാനമാക്കിയുള്ള ലേഖനം കാണിക്കുക; ഇത് രണ്ടും ആത്മവിശ്വാസം നൽകുകയും സ്ഥിരീകരണം സുഗമമാക്കുകയും ചെയ്യുന്നു.
6. വിടവുകൾക്കായി ശ്രദ്ധിക്കുക: ബോട്ട് "എനിക്കറിയില്ല" എന്ന് പറയുന്ന ചോദ്യങ്ങൾ ശേഖരിക്കുക; ഇവ വിജ്ഞാന അടിത്തറയിലെ പോരായ്മകൾ കാണിക്കുന്നു, അവിടെ നിന്ന് ഭക്ഷണം നൽകുന്നു.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) കർശനമായ RAG ഉത്തരം പ്രോംപ്റ്റ്:

ഇനിപ്പറയുന്ന [SOURCE] ഭാഗങ്ങളെ അടിസ്ഥാനമാക്കി ഉത്തരം നൽകുക. നിയമങ്ങൾ: (1) ഉറവിടത്തിലെ വിവരങ്ങൾ മാത്രം ഉപയോഗിക്കുക, (2) അത് ഉറവിടത്തിൽ ഇല്ലെങ്കിൽ, "ഇതിനെക്കുറിച്ച് എനിക്ക് കൃത്യമായ വിവരമില്ല, നിങ്ങളെ പ്രതിനിധിയുമായി ബന്ധിപ്പിക്കാം" എന്ന് പറയുക, (3) ഏത് ലേഖനത്തെ അടിസ്ഥാനമാക്കിയാണ് ഇത് [ഉറവിടം: ഇനം-ഇല്ല] എന്ന് പറയുക, (4) ഉറവിടത്തിൽ നിന്ന് തുക/കാലാവധി/അവസ്ഥ കൃത്യമായി ഉദ്ധരിക്കുക, റൗണ്ട്/അപ്പ് ചെയ്യരുത്. [ഉറവിടം]: <<വലിച്ച ഭാഗങ്ങൾ>>ചോദ്യം: "<<ഉപഭോക്തൃ ചോദ്യം>>"

2) വിജ്ഞാന അടിസ്ഥാന ലേഖന രചന:

ഇനിപ്പറയുന്ന ചിതറിയ പോളിസി ടെക്‌സ്‌റ്റ് RAG-ന് അനുയോജ്യമായ FAQ ലേഖനമാക്കി മാറ്റുക. ഫോർമാറ്റ്: ചോദ്യം (ഉപഭോക്താവിൻ്റെ ഭാഷയിൽ) / ഹ്രസ്വ ഉത്തരം (2-3 വാക്യങ്ങൾ) / വ്യവസ്ഥകൾ (ക്ലോസ്) / അവസാനം അപ്ഡേറ്റ് ചെയ്ത തീയതി / വിഷയ ടാഗ്. ഏതെങ്കിലും അവ്യക്തമായ പോയിൻ്റുകൾ "വ്യക്തമാക്കാൻ" എന്ന് അടയാളപ്പെടുത്തുക, വിശ്വസിക്കുക. അസംസ്കൃത വാചകം: <<text>>

3) വൈരുദ്ധ്യങ്ങൾക്കും വിടവുകൾക്കുമായി സ്കാൻ ചെയ്യുന്നു:

ഇനിപ്പറയുന്ന വിജ്ഞാന അടിസ്ഥാന ലേഖനങ്ങൾ പരിശോധിക്കുക. (1) പരസ്പരം വൈരുദ്ധ്യമുള്ള ലേഖനങ്ങളുടെ ജോഡി അടയാളപ്പെടുത്തുക (ഉദാ. വ്യത്യസ്ത റിട്ടേൺ കാലയളവ്). (2) പതിവായി ചോദിക്കപ്പെടുന്നതും എന്നാൽ ഉത്തരങ്ങളില്ലാത്തതുമായ വിഷയങ്ങൾ ഊഹിക്കുക. നൽകിയിരിക്കുന്ന ലേഖനങ്ങൾ മാത്രം നോക്കുക; പുതിയ നയം നിർമ്മിക്കുന്നു. ലേഖനങ്ങൾ: <<list>>

4) "എനിക്കറിയില്ല" ലോഗിൽ നിന്നുള്ള മെച്ചപ്പെടുത്തൽ:

ബോട്ടിന് ഉത്തരം നൽകാൻ കഴിയാത്ത ചോദ്യങ്ങൾ ചുവടെയുണ്ട് (ഒരു ഉറവിടം കണ്ടെത്താൻ കഴിഞ്ഞില്ല). അവയെ വിഷയങ്ങളായി ഗ്രൂപ്പുചെയ്‌ത് ഓരോ ഗ്രൂപ്പിൻ്റെയും വിജ്ഞാന അടിത്തറയിലേക്ക് ചേർക്കേണ്ട ലേഖനത്തിൻ്റെ തലക്കെട്ട് നിർദ്ദേശിക്കുക. ഉത്തരത്തിൻ്റെ ഉള്ളടക്കം ഉണ്ടാക്കരുത്, ഏത് ഇനമാണ് വിട്ടുപോയതെന്ന് എന്നോട് പറയൂ. ചോദ്യങ്ങൾ: <<list>>

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഉപഭോക്താവിൻ്റെ റിട്ടേൺ ചോദ്യത്തിന് ഉത്തരം നൽകുക.

ഉറവിടമില്ല; മോഡൽ മെമ്മറിയിൽ നിന്ന് യോജിച്ചേക്കാം, തുക/ദൈർഘ്യം തെറ്റായിരിക്കാം, അത് പരിശോധിക്കാൻ കഴിയില്ല.

ശക്തമായ നിർദ്ദേശം:

താഴെയുള്ള റിട്ടേൺ പോളിസി ക്ലോസ് അടിസ്ഥാനമാക്കി മാത്രം ഉത്തരം നൽകുക. ഉറവിടത്തിൽ ലഭ്യമല്ലെങ്കിൽ, "എനിക്ക് ഉറപ്പില്ല" എന്ന് പറയുക. കാലയളവും വ്യവസ്ഥയും പദാനുപദമായി ഉദ്ധരിക്കുക, [ഉറവിടം: RETURN-03] എന്ന രൂപത്തിൽ റഫറൻസ് നൽകുക. [ഉറവിടം: RETURN-03]: "ഉപയോഗിക്കാത്ത ഉൽപ്പന്നം 14 ദിവസത്തിനുള്ളിൽ തിരികെ നൽകാം. വ്യക്തിഗതമാക്കിയ ഉൽപ്പന്നങ്ങൾ മടക്കിനൽകാനുള്ള പരിധിയിൽ വരുന്നതല്ല." ചോദ്യം: "20 ദിവസം മുമ്പ് ഞാൻ വാങ്ങിയ വ്യക്തിഗത ഉൽപ്പന്നം എനിക്ക് തിരികെ നൽകാമോ?"

വ്യത്യാസം: ഉറവിട ആശ്രിതത്വം, റഫറൻസ് നിർബന്ധം, ഫാബ്രിക്കേഷൻ നിരോധനം വ്യക്തമാണ്; മോഡൽ ഉറവിടത്തിൽ നിന്ന് ശരിയായ ഉത്തരം ("14 ദിവസം കഴിഞ്ഞതും വ്യക്തിഗതമാക്കിയതും, റീഫണ്ട് ചെയ്യപ്പെടാത്തതും") സൃഷ്ടിക്കുന്നു.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - ഹാലുസിനേഷൻ അവസാനിപ്പിക്കുന്നു. ഒരു നോ-റാഗ് സജ്ജീകരണത്തിൽ ഒരു ടെലികോം ബോട്ടിൻ്റെ പ്രചാരണ ചോദ്യങ്ങൾക്കുള്ള ഉത്തര കൃത്യത 71% ആയിരുന്നു; മോഡൽ ചിലപ്പോൾ പഴയ പ്രചാരണങ്ങൾ ഉണ്ടാക്കി. നിലവിലെ കാമ്പെയ്ൻ പേജുകൾ RAG-ലേക്ക് ബന്ധിപ്പിക്കുകയും "അത് ഉറവിടത്തിൽ ഇല്ലെങ്കിൽ പറയരുത്" എന്ന നിയമം ചേർക്കുകയും ചെയ്തപ്പോൾ, കൃത്യത 96% ആയി വർദ്ധിക്കുകയും "തെറ്റായ പ്രചാരണ വാക്കുകൾ" സംബന്ധിച്ച പരാതികൾ ഏതാണ്ട് അവസാനിക്കുകയും ചെയ്തു.

കേസ് 2 - വൈരുദ്ധ്യത്തിൻ്റെ വില. ഒരു ഇ-കൊമേഴ്‌സ് കമ്പനിയുടെ വിജ്ഞാന അടിത്തറയിൽ, രണ്ട് വ്യത്യസ്ത ഷിപ്പിംഗ് ചെലവുകൾ രണ്ട് പേജുകളിൽ എഴുതിയിട്ടുണ്ട് (ഒരു നിലവിലുള്ളത്, ഒരു പഴയ മറന്ന പേജ്). ബോട്ട് ക്രമരഹിതമായി ആരെയോ വലിച്ച് ചില ഉപഭോക്താക്കളോട് തെറ്റായ വില പറയുകയായിരുന്നു. ഒരൊറ്റ ശരിയായ ഉറവിടം എന്ന തത്വത്തിൽ പഴയ പേജ് ആർക്കൈവ് ചെയ്തപ്പോൾ, പൊരുത്തക്കേട് അപ്രത്യക്ഷമായി. പാഠം: RAG വൈരുദ്ധ്യത്തെ പരിഹരിക്കുന്നില്ല, അത് വൈരുദ്ധ്യത്തെ അതേപടി പ്രചരിപ്പിക്കുന്നു.

കേസ് 3 - "എനിക്കറിയില്ല" ലോഗിൻ്റെ മൂല്യം. ഒരു ബാങ്കിൽ, ബോട്ട് പ്രതിമാസം ~4,000 ചോദ്യങ്ങൾ വരെ "എനിക്ക് ഉറപ്പില്ല" എന്ന് പറഞ്ഞുകൊണ്ടിരുന്നു. ഈ ചോദ്യങ്ങൾ ഗ്രൂപ്പുചെയ്തപ്പോൾ, 40% "അന്താരാഷ്ട്ര കാർഡ് ഉപയോഗത്തെ" കുറിച്ചുള്ളതാണെന്ന് കണ്ടു; അതിനെക്കുറിച്ച് ഒരു ലേഖനവും ഉണ്ടായിരുന്നില്ല. പ്രസക്തമായ ഇനങ്ങൾ ചേർത്തപ്പോൾ, ഈ ചോദ്യങ്ങൾ പരിഹരിക്കപ്പെടുകയും ആ വിഷയത്തിലുള്ള ആളുകളുടെ വിറ്റുവരവ് 55% കുറയുകയും ചെയ്തു. ബോട്ട് അറിയില്ലെന്ന് പറഞ്ഞത് മെച്ചപ്പെടുത്തലിനുള്ള വഴികാട്ടിയായി.

സാധാരണ തെറ്റുകൾ

• ഉറവിടവുമായി ലിങ്ക് ചെയ്യാതെ ഉത്തരം നൽകുന്നു. RAG ഇല്ലാതെ, മോഡൽ കൃത്യമായ വിവരങ്ങളുമായി യോജിക്കുന്നു; ഏതൊരു കൃത്യമായ ഉത്തരവും ഉറവിടത്തെ ആശ്രയിച്ചിരിക്കണം.
• "എനിക്കറിയില്ല" ഓപ്ഷൻ ഓഫാക്കുന്നു. എല്ലാ ചോദ്യത്തിനും ഉത്തരം നൽകാൻ മോഡലിനെ നിർബന്ധിക്കുന്നത് അനുയോജ്യമാണെന്ന് ഉറപ്പാക്കുന്നു.
• വൈരുദ്ധ്യമുള്ള/പഴയ വിവരങ്ങൾ മായ്‌ക്കുന്നില്ല. RAG വൈരുദ്ധ്യം പരത്തുന്നു; ഒരൊറ്റ ശരിയായ ഉറവിടം അത്യാവശ്യമാണ്.
• കീറാൻ അവഗണിക്കുന്നു. വലിയ PDF-കൾ കയറ്റുമതി ചെയ്യുന്നത് കൃത്യമായ ആക്‌സസ് തടസ്സപ്പെടുത്തുന്നു; ഹ്രസ്വവും ഒറ്റ വിഷയവുമായ ലേഖനങ്ങൾ ഉപയോഗിക്കുക.
• ഉറവിടം മറയ്ക്കുന്നു. എന്താണ് ഉത്തരം അടിസ്ഥാനമാക്കിയുള്ളതെന്ന് സൂചിപ്പിക്കാത്തത് സ്ഥിരീകരണത്തെയും വിശ്വാസത്തെയും ദുർബലപ്പെടുത്തുന്നു.

മുന്നറിയിപ്പ്: RAG കൃത്യത മെച്ചപ്പെടുത്തുന്നു, പക്ഷേ 100% ഗ്യാരണ്ടി നൽകുന്നില്ല. മോഡൽ ചിലപ്പോൾ പിടിച്ചടക്കിയ ഭാഗം തെറ്റായി വ്യാഖ്യാനിച്ചേക്കാം. അതിനാൽ, ഉറവിടം ഉദ്ധരിച്ചാലും സാമ്പത്തിക, നിയമ, സുരക്ഷാ പ്രശ്നങ്ങൾക്ക് മനുഷ്യൻ്റെ അംഗീകാരം ആവശ്യമാണ്; RAG ഭ്രമാത്മകത കുറയ്ക്കുന്നു, പക്ഷേ ഉത്തരവാദിത്തം നീക്കം ചെയ്യുന്നില്ല.

ചുരുക്കത്തിൽ

കോൾ സെൻ്റർ AI യുടെ കൃത്യതയുടെ അടിത്തറയാണ് വിജ്ഞാന അടിത്തറയും RAG ഉം. മെമ്മറിയിൽ നിന്നുള്ള ഉത്തരം ഘടിപ്പിക്കുന്നതിൽ നിന്നും നിലവിലെ ഉറവിടത്തെ മാത്രം ആശ്രയിക്കുന്നതിൽ നിന്നും മോഡലിനെ തടഞ്ഞുകൊണ്ട് RAG ഭ്രമാത്മകതയെ തടയുന്നു. എന്നാൽ RAG അതിൻ്റെ വിജ്ഞാന അടിത്തറയോളം മികച്ചതാണ്: കാലികവും വ്യക്തവും ഘടനാപരവും വൈരുദ്ധ്യരഹിതവും സത്യത്തിൻ്റെ ഒരൊറ്റ ഉറവിടവും ഉള്ളതുമായ ഒരു വിജ്ഞാന അടിത്തറ അത്യന്താപേക്ഷിതമാണ്. മോഡലിനോട് "അത് ഉറവിടത്തിൽ ഇല്ലെങ്കിൽ, നിങ്ങൾക്കറിയില്ലെന്ന് എന്നോട് പറയൂ" എന്ന് പറയുക, ഉറവിടത്തിലേക്ക് ചൂണ്ടിക്കാണിക്കുക, ബോട്ടിന് ഉത്തരം നൽകാൻ കഴിയാത്ത ചോദ്യങ്ങൾ അതിൻ്റെ വിജ്ഞാന അടിത്തറ മെച്ചപ്പെടുത്താൻ ഉപയോഗിക്കുക. ഉയർന്ന തലത്തിലുള്ള കാര്യങ്ങളിൽ ഉറവിടം ഉണ്ടെങ്കിലും മനുഷ്യ സമ്മതം നിലനിർത്തുക.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിങ്ങളുടെ വ്യവസായത്തിൽ നിന്നുള്ള 8 യഥാർത്ഥ/യഥാർത്ഥ ഉപഭോക്തൃ ചോദ്യങ്ങളും അനുബന്ധമായ 8 ഹ്രസ്വ വിജ്ഞാന അടിസ്ഥാന ലേഖനങ്ങളും (ഓരോ ലേഖനവും: ചോദ്യം, ഹ്രസ്വ ഉത്തരം, വ്യവസ്ഥകൾ, തീയതി, ടാഗ്) എഴുതുക. “1) ടൈറ്റ് RAG ഉത്തരം പ്രോംപ്റ്റ്” പാറ്റേൺ ഉപയോഗിച്ച് മോഡലിന് “എനിക്കറിയില്ല” എന്ന് പറയാൻ കഴിയുമോ എന്ന് പരിശോധിക്കുക, കൂടാതെ ഒരു ചോദ്യം ചോദിക്കുകയും ചെയ്യുക, അതിലൊന്ന് വിജ്ഞാന അടിത്തറയിൽ ഇല്ല. അവസാനമായി, "3) വൈരുദ്ധ്യവും വിടവ് സ്കാനിംഗും ഉപയോഗിച്ച് നിങ്ങളുടെ ലേഖനങ്ങൾ പരിശോധിക്കുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ബോട്ട്/അസിസ്റ്റൻ്റ് നൽകുന്ന ഓരോ കൃത്യമായ ഉത്തരവും നിലവിലെ വിജ്ഞാന അടിത്തറയെ ആശ്രയിച്ചിരിക്കുന്നു (RAG വഴി).
• [ ] ഞാൻ മോഡലിന് നിർദ്ദേശം നൽകി "അത് ഉറവിടത്തിൽ ഇല്ലെങ്കിൽ, നിങ്ങൾക്കറിയില്ലെന്ന് എന്നോട് പറയൂ" അത് പരീക്ഷിച്ചു.
• [ ] എൻ്റെ വിജ്ഞാന അടിത്തറയിൽ കാലികവും വ്യക്തവും ഒറ്റ വിഷയവുമായ ലേഖനങ്ങൾ അടങ്ങിയിരിക്കുന്നു.
• [ ] വൈരുദ്ധ്യമുള്ളതും പഴയതുമായ ലേഖനങ്ങൾ ഞാൻ മായ്‌ച്ചു; എല്ലാ വിവരങ്ങൾക്കും ഒരേ ഒരു ശരിയായ ഉറവിടം മാത്രമേയുള്ളൂ.
• [ ] ഏത് ലേഖനത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണെന്ന് ഉത്തരങ്ങൾ കാണിക്കുന്നു (ഉറവിടം).
• [ ] ഞാൻ "എനിക്കറിയില്ല" ചോദ്യങ്ങൾ ശേഖരിക്കുകയും വിജ്ഞാന അടിത്തറ ഫീഡ് ചെയ്യുകയും ചെയ്യുന്നു.