ਗਿਆਨ ਅਧਾਰ ਅਤੇ ਆਰਏਜੀ: ਬੋਟ ਅਤੇ ਏਜੰਟ ਸਹੀ ਉੱਤਰ ਕਿਵੇਂ ਲੱਭਦੇ ਹਨ

ਲਾਭ:

• ਸਮਝੋ ਕਿ RAG (ਫ੍ਰੈਗਮੈਂਟੇਸ਼ਨ, ਐਕਸੈਸ, ਸਰੋਤ-ਨਿਰਭਰ ਪੈਦਾਵਾਰ) ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ ਅਤੇ ਇਹ ਕਿਵੇਂ ਭਰਮ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ
• ਇੱਕ ਗਿਆਨ ਅਧਾਰ ਸਥਾਪਤ ਕਰਕੇ ਜਵਾਬਾਂ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਵਧਾਉਣ ਦੀ ਸਮਰੱਥਾ ਜੋ ਮੌਜੂਦਾ, ਸਪਸ਼ਟ, ਟਕਰਾਅ-ਮੁਕਤ ਹੈ ਅਤੇ ਇੱਕ ਸਿੰਗਲ ਸਹੀ ਸਰੋਤ ਹੈ।
• ਮਾਡਲ ਨੂੰ ਹਿਦਾਇਤ ਦੇਣ ਦੀ ਸਮਰੱਥਾ 'ਜੇਕਰ ਇਹ ਸਰੋਤ ਵਿੱਚ ਨਹੀਂ ਹੈ, ਤਾਂ ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਤੁਸੀਂ ਨਹੀਂ ਜਾਣਦੇ' ਅਤੇ ਉਹਨਾਂ ਸਵਾਲਾਂ ਨੂੰ ਬਦਲੋ ਜਿਨ੍ਹਾਂ ਦਾ ਜਵਾਬ ਇਹ ਨਹੀਂ ਦੇ ਸਕਦਾ ਗਿਆਨ ਅਧਾਰ ਸੁਧਾਰ ਵਿੱਚ

ਇੱਕ ਬੋਟ ਜਾਂ ਏਜੰਟ ਸਹਾਇਕ ਜੋ ਜਵਾਬ ਦਿੰਦਾ ਹੈ, ਉਹ ਸਿਰਫ਼ ਉਸ ਜਾਣਕਾਰੀ ਜਿੰਨਾ ਹੀ ਵਧੀਆ ਹੈ ਜਿਸ 'ਤੇ ਇਹ ਆਧਾਰਿਤ ਹੈ। ਜਦੋਂ ਗਾਹਕ ਪੁੱਛਦਾ ਹੈ ਕਿ "ਕੀ ਮੁਹਿੰਮ ਜਾਰੀ ਹੈ?", ਤਾਂ ਸਹੀ ਜਵਾਬ ਮਾਡਲ ਦੀ ਯਾਦ ਵਿੱਚ ਨਹੀਂ ਹੈ, ਪਰ ਸੰਸਥਾ ਦੇ ਮੌਜੂਦਾ ਗਿਆਨ ਅਧਾਰ ਵਿੱਚ ਹੈ। ਇਸ ਲਈ ਕਾਲ ਸੈਂਟਰ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦਾ ਦਿਲ ਗਿਆਨ ਅਧਾਰ (ਕੇਬੀ) ਹੈ: ਇੱਕ ਨਵੀਨਤਮ ਸਰੋਤ ਜਿੱਥੇ ਉਤਪਾਦ, ਨੀਤੀਆਂ, ਅਕਸਰ ਪੁੱਛੇ ਜਾਣ ਵਾਲੇ ਸਵਾਲ, ਪ੍ਰਕਿਰਿਆਵਾਂ ਅਤੇ ਨਿਯਮਾਂ ਨੂੰ ਲਿਖਤੀ ਰੂਪ ਵਿੱਚ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ। ਅਤੇ ਉਹ ਤਰੀਕਾ ਜੋ ਇਸ ਗਿਆਨ ਅਧਾਰ ਨੂੰ ਨਕਲੀ ਬੁੱਧੀ ਨਾਲ ਸੁਰੱਖਿਅਤ ਰੂਪ ਨਾਲ ਜੋੜਦਾ ਹੈ, ਨੂੰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ RAG: ਰੀਟ੍ਰੀਵਲ-ਔਗਮੈਂਟੇਡ ਜਨਰੇਸ਼ਨ — ਜਵਾਬ ਨੂੰ ਆਪਣੀ ਮੈਮੋਰੀ ਤੋਂ ਬਣਾਉਣ ਦੀ ਬਜਾਏ, ਮਾਡਲ ਪਹਿਲਾਂ ਸਰੋਤ (ਮੁੜ ਪ੍ਰਾਪਤੀ) ਤੋਂ ਜਾਣਕਾਰੀ ਦੇ ਸੰਬੰਧਿਤ ਟੁਕੜਿਆਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਅਤੇ ਫਿਰ ਉਹਨਾਂ ਟੁਕੜਿਆਂ (ਜਨਰੇਸ਼ਨ) ਦੇ ਅਧਾਰ ਤੇ ਜਵਾਬ ਤਿਆਰ ਕਰਦਾ ਹੈ।

RAG ਭੁਲੇਖੇ ਨੂੰ ਰੋਕਣ ਦਾ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਤਰੀਕਾ ਹੈ। ਮਾਡਲ "ਕਰਜ਼ੇ ਦੀ ਵਿਆਜ ਦਰ ਕੀ ਹੈ?" ਇਸ ਸਵਾਲ ਲਈ ਆਪਣੇ ਸਿਰ ਵਿੱਚ ਕੋਈ ਨੰਬਰ ਨਹੀਂ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਗਿਆਨ ਅਧਾਰ ਤੋਂ ਮੌਜੂਦਾ ਦਿਲਚਸਪੀ ਵਾਲੇ ਪਾਠ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸਦੇ ਅਧਾਰ ਤੇ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ ਅਸੀਂ ਦੇਖਾਂਗੇ ਕਿ ਗਿਆਨ ਅਧਾਰ ਨੂੰ ਕਿਵੇਂ ਸਥਾਪਤ ਕਰਨਾ ਹੈ, RAG ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ ਅਤੇ ਇੱਕ ਵਧੀਆ ਗਿਆਨ ਅਧਾਰ ਜਵਾਬਾਂ ਦੀ ਗੁਣਵੱਤਾ ਕਿਵੇਂ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ।

RAG ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ: ਚਾਰ ਕਦਮ

ਇੱਕ ਲਾਇਬ੍ਰੇਰੀਅਨ ਵਾਂਗ RAG ਬਾਰੇ ਸੋਚੋ। ਗਾਹਕ ਸਵਾਲ ਪੁੱਛਦਾ ਹੈ; ਸਿਸਟਮ ਪਹਿਲਾਂ ਲਾਇਬ੍ਰੇਰੀ ਦੇ ਸੱਜੇ ਸ਼ੈਲਫ ਤੋਂ ਸੰਬੰਧਿਤ ਪੰਨਿਆਂ ਨੂੰ ਲੱਭਦਾ ਹੈ, ਫਿਰ ਉਹਨਾਂ ਪੰਨਿਆਂ ਨੂੰ ਪੜ੍ਹਦਾ ਹੈ ਅਤੇ ਜਵਾਬ ਲਿਖਦਾ ਹੈ। ਤਕਨੀਕੀ ਕਦਮ ਹੇਠ ਲਿਖੇ ਅਨੁਸਾਰ ਹਨ:

1. ਚੰਕਿੰਗ: ਗਿਆਨ ਅਧਾਰ ਵਿੱਚ ਲੰਬੇ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਛੋਟੇ, ਅਰਥਪੂਰਨ ਟੁਕੜਿਆਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ (ਉਦਾਹਰਣ ਵਜੋਂ, ਹਰੇਕ FAQ ਇੱਕ ਹਿੱਸਾ ਹੁੰਦਾ ਹੈ)। ਕਿਉਂਕਿ ਮਾਡਲ ਸਬੰਧਤ ਛੋਟੇ ਹਿੱਸਿਆਂ ਦੇ ਨਾਲ ਇੱਕ ਸਵਾਲ ਦਾ ਵਧੇਰੇ ਸਹੀ ਜਵਾਬ ਦਿੰਦਾ ਹੈ।
2. ਏਮਬੈਡਿੰਗ ਅਤੇ ਇੰਡੈਕਸਿੰਗ: ਹਰ ਇੱਕ ਟੁਕੜੇ ਦਾ ਇੱਕ ਸੰਖਿਆਤਮਕ ਰੂਪ ਵਿੱਚ ਅਨੁਵਾਦ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਇਸਦੇ ਅਰਥ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ (ਏਮਬੈਡਿੰਗ - ਟੈਕਸਟ ਦੇ ਅਰਥ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੇ ਸੰਖਿਆਵਾਂ ਦਾ ਇੱਕ ਕ੍ਰਮ) ਅਤੇ ਇੱਕ ਖੋਜ ਯੋਗ ਡੇਟਾਬੇਸ ਵਿੱਚ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਇਹ "ਸ਼ਬਦ ਮੇਲ" ਨਹੀਂ ਸਗੋਂ "ਅਰਥ ਮੇਲ" ਹੈ; ਭਾਵੇਂ ਗਾਹਕ ਪੁੱਛਦਾ ਹੈ ਕਿ "ਮੇਰੇ ਪੈਸੇ ਕਦੋਂ ਜਮ੍ਹਾ ਕੀਤੇ ਜਾਣਗੇ?", "ਰਿਫੰਡ ਦੀ ਮਿਆਦ" ਭਾਗ ਲੱਭਿਆ ਜਾ ਸਕਦਾ ਹੈ।
3. ਪੁਨਰ ਪ੍ਰਾਪਤੀ: ਗਾਹਕ ਦੇ ਸਵਾਲ ਦੇ ਅਰਥ ਵਿੱਚ ਸਭ ਤੋਂ ਨੇੜੇ ਦੇ ਹਿੱਸੇ ਮੁੜ ਪ੍ਰਾਪਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ (ਉਦਾਹਰਨ ਲਈ ਸਭ ਤੋਂ ਨਜ਼ਦੀਕੀ 3-5 ਹਿੱਸੇ)।
4. ਜਨਰੇਸ਼ਨ: ਮਾਡਲ ਸਿਰਫ਼ ਖਿੱਚੇ ਹੋਏ ਹਿੱਸਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਜਵਾਬ ਲਿਖਦਾ ਹੈ ਅਤੇ ਜੇਕਰ ਸੰਭਵ ਹੋਵੇ ਤਾਂ ਸਰੋਤ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

ਨਾਜ਼ੁਕ ਬਿੰਦੂ ਕਦਮ 4 ਵਿੱਚ ਹੈ: ਮਾਡਲ ਨੂੰ "ਸਿਰਫ਼ ਦਿੱਤੇ ਗਏ ਟੁਕੜਿਆਂ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਲਈ ਕਿਹਾ ਗਿਆ ਹੈ, ਜਾਂ ਕਹੋ ਕਿ ਤੁਹਾਨੂੰ ਪਤਾ ਨਹੀਂ ਹੈ।" ਇਸ ਹਦਾਇਤ ਤੋਂ ਬਿਨਾਂ, RAG ਮਾਡਲ ਨੂੰ ਫਿਟਿੰਗ ਤੋਂ ਨਹੀਂ ਰੋਕਦਾ।

ਸੰਕੇਤ: RAG ਦਾ ਸੁਨਹਿਰੀ ਨਿਯਮ: "ਜੇਕਰ ਇਹ ਸਰੋਤ ਵਿੱਚ ਨਹੀਂ ਹੈ, ਤਾਂ ਕੋਈ ਜਵਾਬ ਨਹੀਂ ਹੈ।" ਇੱਕ ਚੰਗਾ RAG ਸਿਸਟਮ ਇੱਕ ਅਜਿਹੇ ਸਵਾਲ ਲਈ "ਮੈਨੂੰ ਇਸ ਬਾਰੇ ਪੱਕਾ ਪਤਾ ਨਹੀਂ ਹੈ" ਕਹੇਗਾ ਜੋ ਗਿਆਨ ਅਧਾਰ ਵਿੱਚ ਨਹੀਂ ਹੈ; ਕਦੇ ਵੀ ਅੰਦਾਜ਼ੇ ਨਾਲ ਪਾੜੇ ਨੂੰ ਨਹੀਂ ਭਰਦਾ। ਇੱਕ ਬੋਟ ਦੀ "ਮੈਨੂੰ ਨਹੀਂ ਪਤਾ" ਕਹਿਣ ਦੀ ਯੋਗਤਾ ਇੱਕ ਸੁਰੱਖਿਆ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ, ਕਮਜ਼ੋਰੀ ਨਹੀਂ।

ਇੱਕ ਚੰਗਾ ਗਿਆਨ ਅਧਾਰ: ਜਵਾਬ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਅਸਲ ਸਰੋਤ

ਰਾਗ ਭਾਵੇਂ ਕਿੰਨਾ ਵੀ ਚੰਗਾ ਹੋਵੇ, ਜੇ ਗਿਆਨ ਦਾ ਆਧਾਰ ਮਾੜਾ ਹੋਵੇ ਤਾਂ ਜਵਾਬ ਮਾੜਾ ਹੈ। ਗਿਆਨ ਅਧਾਰ ਗੁਣਵੱਤਾ ਨੂੰ ਇਹਨਾਂ ਦੁਆਰਾ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ:

ਵਿਸ਼ੇਸ਼ਤਾ

ਬੁਰਾ ਗਿਆਨ ਅਧਾਰ

ਚੰਗਾ ਗਿਆਨ ਅਧਾਰ

ਵਰਤਮਾਨਤਾ

ਮਹੀਨਿਆਂ ਤੋਂ ਅੱਪਡੇਟ ਨਹੀਂ ਕੀਤਾ ਗਿਆ

ਬਦਲਣ 'ਤੇ ਤੁਰੰਤ ਅੱਪਡੇਟ ਕੀਤਾ ਗਿਆ

ਸਪਸ਼ਟਤਾ

ਲੰਮਾ, ਗੁੰਝਲਦਾਰ ਟੈਕਸਟ

ਛੋਟੇ, ਸਿੰਗਲ-ਵਿਸ਼ੇ ਵਾਲੇ ਲੇਖ

ਬਣਤਰ

ਗੜਬੜ ਵਾਲਾ PDF ਢੇਰ

ਲੇਬਲ ਕੀਤੇ ਡੀਗ੍ਰੇਡੇਬਲ ਪਦਾਰਥ

ਇਕਸਾਰਤਾ

ਦੋ ਵਿਰੋਧੀ ਜਵਾਬ

ਸੱਚ ਦਾ ਇੱਕ ਸੋਮਾ

ਸਕੋਪ

ਬਹੁਤ ਸਾਰੇ ਪਾੜੇ ਹਨ

ਅਕਸਰ ਪੁੱਛੇ ਜਾਂਦੇ ਸਵਾਲਾਂ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ

ਮਲਕੀਅਤ

ਕੋਈ ਵੀ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹੈ

ਹਰ ਵਿਸ਼ੇ ਦਾ ਇੱਕ ਮਾਲਕ ਹੁੰਦਾ ਹੈ

ਕਾਲ ਸੈਂਟਰ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਸਭ ਤੋਂ ਖ਼ਤਰਨਾਕ ਸਮੱਸਿਆ ਵਿਰੋਧਾਭਾਸ ਹੈ: ਜੇਕਰ ਗਿਆਨ ਅਧਾਰ ਵਿੱਚ ਦੋ ਵੱਖ-ਵੱਖ ਰਿਟਰਨ ਪੀਰੀਅਡ ਲਿਖੇ ਗਏ ਹਨ, ਤਾਂ RAG ਕਹੇਗਾ ਜੋ ਵੀ ਇਹ ਲਵੇਗਾ ਅਤੇ ਗਾਹਕ ਨੂੰ ਇੱਕ ਅਸੰਗਤ ਜਵਾਬ ਭੇਜਿਆ ਜਾਵੇਗਾ। ਇਸ ਲਈ "ਸੱਚਾਈ ਦਾ ਇੱਕ ਸਰੋਤ" ਸਿਧਾਂਤ ਮਹੱਤਵਪੂਰਨ ਹੈ: ਜਾਣਕਾਰੀ ਨੂੰ ਇੱਕ ਥਾਂ 'ਤੇ ਅਪ ਟੂ ਡੇਟ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ; ਉਸ ਸਰੋਤ ਦੇ ਹਵਾਲੇ ਵਰਤੇ ਜਾਂਦੇ ਹਨ, ਕਾਪੀਆਂ ਨਹੀਂ।

ਕਦਮ ਦਰ ਕਦਮ: ਇੱਕ RAG-ਸਮਰਥਿਤ ਜਵਾਬ ਪ੍ਰਣਾਲੀ ਬਣਾਉਣਾ

1. ਗਿਆਨ ਅਧਾਰ ਨੂੰ ਸਾਫ਼ ਕਰੋ: ਪੁਰਾਣੇ, ਵਿਵਾਦਪੂਰਨ, ਡੁਪਲੀਕੇਟ ਲੇਖਾਂ ਨੂੰ ਹਟਾਓ। ਹਰੇਕ ਲੇਖ ਨੂੰ ਛੋਟਾ ਅਤੇ ਸਿੰਗਲ-ਵਿਸ਼ਾ ਬਣਾਓ।
2. ਇਸਨੂੰ ਤੋੜੋ ਅਤੇ ਇਸਨੂੰ ਟੈਗ ਕਰੋ: ਹਰੇਕ ਲੇਖ ਵਿੱਚ ਇੱਕ ਵਿਸ਼ਾ ਟੈਗ ਅਤੇ ਆਖਰੀ ਅੱਪਡੇਟ ਮਿਤੀ ਸ਼ਾਮਲ ਕਰੋ।
3. ਪਹੁੰਚ ਸਥਾਪਿਤ ਕਰੋ: ਇੱਕ ਵਿਧੀ ਨਾਲ ਕਨੈਕਟ ਕਰੋ ਜੋ ਪੁੱਛੇ ਜਾਣ 'ਤੇ ਸੰਬੰਧਿਤ ਭਾਗਾਂ ਨੂੰ ਖਿੱਚਦਾ ਹੈ (ਐਂਟਰਪ੍ਰਾਈਜ਼ RAG ਟੂਲ ਇਹ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ)।
4. ਇੱਕ ਸਖਤ ਪ੍ਰੋਂਪਟ ਲਿਖੋ: ਮਾਡਲ ਨੂੰ ਦੱਸੋ "ਸਿਰਫ਼ ਪ੍ਰਦਾਨ ਕੀਤੇ ਭਾਗਾਂ 'ਤੇ ਭਰੋਸਾ ਕਰੋ, ਸਰੋਤ ਦਾ ਹਵਾਲਾ ਦਿਓ, ਜਾਂ ਕਹੋ ਕਿ ਤੁਹਾਨੂੰ ਪਤਾ ਨਹੀਂ ਹੈ।"
5. ਸਰੋਤ ਦਾ ਹਵਾਲਾ ਦਿਓ: ਲੇਖ ਦਿਖਾਓ ਜਿਸ 'ਤੇ ਜਵਾਬ ਅਧਾਰਤ ਹੈ; ਇਹ ਦੋਨੋ ਭਰੋਸਾ ਦਿੰਦਾ ਹੈ ਅਤੇ ਤਸਦੀਕ ਦੀ ਸਹੂਲਤ ਦਿੰਦਾ ਹੈ.
6. ਗੈਪ ਲਈ ਦੇਖੋ: ਸਵਾਲ ਇਕੱਠੇ ਕਰੋ ਜਿੱਥੇ ਬੋਟ ਕਹਿੰਦਾ ਹੈ "ਮੈਨੂੰ ਨਹੀਂ ਪਤਾ"; ਇਹ ਗਿਆਨ ਅਧਾਰ ਵਿੱਚ ਕਮੀਆਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ, ਉਥੋਂ ਫੀਡ ਕਰਦੇ ਹਨ।

ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ

1) ਸਖਤ RAG ਜਵਾਬ ਪ੍ਰੋਂਪਟ:

ਹੇਠਾਂ ਦਿੱਤੇ [ਸਰੋਤ] ਭਾਗਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਜਵਾਬ ਦਿਓ। ਨਿਯਮ: (1) ਸਰੋਤ ਵਿੱਚ ਸਿਰਫ ਜਾਣਕਾਰੀ ਦੀ ਵਰਤੋਂ ਕਰੋ, (2) ਜੇਕਰ ਇਹ ਸਰੋਤ ਵਿੱਚ ਨਹੀਂ ਹੈ, ਤਾਂ ਕਹੋ "ਮੇਰੇ ਕੋਲ ਇਸ ਬਾਰੇ ਕੋਈ ਨਿਸ਼ਚਿਤ ਜਾਣਕਾਰੀ ਨਹੀਂ ਹੈ, ਮੈਂ ਤੁਹਾਨੂੰ ਪ੍ਰਤੀਨਿਧੀ ਨਾਲ ਜੋੜਦਾ ਹਾਂ", (3) ਦੱਸੋ ਕਿ ਇਹ ਕਿਸ ਲੇਖ 'ਤੇ ਅਧਾਰਤ ਹੈ [ਸਰੋਤ: ਆਈਟਮ-ਨੰਬਰ], (4) ਸਰੋਤ ਤੋਂ ਬਿਲਕੁਲ ਰਕਮ/ਅਵਧੀ/ਸ਼ਰਤ ਦਾ ਹਵਾਲਾ ਦਿਓ, ਗੋਲ ਨਾ ਕਰੋ। [ਸਰੋਤ]: <<ਖਿੱਚਿਆ ਭਾਗ>>ਸਵਾਲ: "<<ਗਾਹਕ ਸਵਾਲ>>"

2) ਗਿਆਨ ਅਧਾਰ ਲੇਖ ਲਿਖਣਾ:

ਹੇਠਾਂ ਦਿੱਤੇ ਖਿੰਡੇ ਹੋਏ ਨੀਤੀ ਪਾਠ ਨੂੰ RAG ਲਈ ਢੁਕਵੇਂ FAQ ਲੇਖ ਵਿੱਚ ਬਦਲੋ। ਫਾਰਮੈਟ: ਸਵਾਲ (ਗਾਹਕ ਦੀ ਭਾਸ਼ਾ ਵਿੱਚ) / ਛੋਟਾ ਜਵਾਬ (2-3 ਵਾਕ) / ਸ਼ਰਤਾਂ (ਧਾਰਾ) / ਆਖਰੀ ਅਪਡੇਟ ਦੀ ਮਿਤੀ / ਵਿਸ਼ਾ ਟੈਗ। ਕਿਸੇ ਵੀ ਅਸਪਸ਼ਟ ਬਿੰਦੂ ਨੂੰ "ਸਪੱਸ਼ਟ ਕਰਨ ਲਈ" ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕਰੋ, ਵਿਸ਼ਵਾਸ ਕਰੋ। ਕੱਚਾ ਟੈਕਸਟ: <<text>>

3) ਵਿਰੋਧਾਭਾਸ ਅਤੇ ਅੰਤਰ ਲਈ ਸਕੈਨਿੰਗ:

ਹੇਠਾਂ ਦਿੱਤੇ ਗਿਆਨ ਅਧਾਰ ਲੇਖਾਂ ਦੀ ਜਾਂਚ ਕਰੋ। (1) ਲੇਖਾਂ ਦੇ ਜੋੜਿਆਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ ਜੋ ਇੱਕ ਦੂਜੇ ਨਾਲ ਟਕਰਾਅ ਕਰਦੇ ਹਨ (ਉਦਾਹਰਨ ਲਈ ਵੱਖ ਵੱਖ ਵਾਪਸੀ ਦੀ ਮਿਆਦ)। (2) ਉਹਨਾਂ ਵਿਸ਼ਿਆਂ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਓ ਜੋ ਅਕਸਰ ਪੁੱਛੇ ਜਾਣਗੇ ਪਰ ਕੋਈ ਜਵਾਬ ਨਹੀਂ ਹੈ। ਸਿਰਫ ਦਿੱਤੇ ਲੇਖਾਂ ਨੂੰ ਦੇਖੋ; ਨਵੀਂ ਨੀਤੀ ਪੈਦਾ ਕਰਨਾ। ਲੇਖ: <<list>>

4) "ਮੈਨੂੰ ਨਹੀਂ ਪਤਾ" ਲੌਗ ਤੋਂ ਸੁਧਾਰ:

ਹੇਠਾਂ ਉਹ ਸਵਾਲ ਹਨ ਜਿਨ੍ਹਾਂ ਦਾ ਬੋਟ ਜਵਾਬ ਨਹੀਂ ਦੇ ਸਕਿਆ (ਸਰੋਤ ਨਹੀਂ ਲੱਭ ਸਕਿਆ)। ਉਹਨਾਂ ਨੂੰ ਵਿਸ਼ਿਆਂ ਵਿੱਚ ਸਮੂਹ ਕਰੋ ਅਤੇ ਲੇਖ ਦੇ ਸਿਰਲੇਖ ਦਾ ਸੁਝਾਅ ਦਿਓ ਜੋ ਹਰੇਕ ਸਮੂਹ ਲਈ ਗਿਆਨ ਅਧਾਰ ਵਿੱਚ ਜੋੜਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜਵਾਬ ਸਮੱਗਰੀ ਨਾ ਬਣਾਓ, ਬੱਸ ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਕਿਹੜੀ ਆਈਟਮ ਗੁੰਮ ਹੈ। ਸਵਾਲ: <<list>>

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਗਾਹਕ ਦੇ ਵਾਪਸੀ ਦੇ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿਓ।

ਕੋਈ ਸਰੋਤ ਨਹੀਂ; ਮਾਡਲ ਮੈਮੋਰੀ ਤੋਂ ਫਿੱਟ ਹੋ ਸਕਦਾ ਹੈ, ਰਕਮ/ਅਵਧੀ ਗਲਤ ਹੋ ਸਕਦੀ ਹੈ, ਇਸਦੀ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ।

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਹੇਠਾਂ ਦਿੱਤੀ ਗਈ ਵਾਪਸੀ ਨੀਤੀ ਦੀ ਧਾਰਾ ਦੇ ਆਧਾਰ 'ਤੇ ਹੀ ਜਵਾਬ ਦਿਓ। ਜੇਕਰ ਇਹ ਸਰੋਤ ਵਿੱਚ ਉਪਲਬਧ ਨਹੀਂ ਹੈ, ਤਾਂ ਕਹੋ "ਮੈਨੂੰ ਪੱਕਾ ਪਤਾ ਨਹੀਂ ਹੈ"। ਮਿਆਦ ਅਤੇ ਸ਼ਰਤ ਸ਼ਬਦਾਵਲੀ ਦਾ ਹਵਾਲਾ ਦਿਓ, [ਸਰੋਤ: RETURN-03] ਦੇ ਰੂਪ ਵਿੱਚ ਹਵਾਲਾ ਦਿਓ। ਸਵਾਲ: "ਕੀ ਮੈਂ 20 ਦਿਨ ਪਹਿਲਾਂ ਖਰੀਦਿਆ ਵਿਅਕਤੀਗਤ ਉਤਪਾਦ ਵਾਪਸ ਕਰ ਸਕਦਾ ਹਾਂ?"

ਅੰਤਰ: ਸਰੋਤ ਨਿਰਭਰ, ਹਵਾਲਾ ਲਾਜ਼ਮੀ, ਮਨਘੜਤ ਪਾਬੰਦੀ ਸਪਸ਼ਟ; ਮਾਡਲ ਸਰੋਤ ਤੋਂ ਸਹੀ ਜਵਾਬ ("14 ਦਿਨ ਪਿਛਲੇ ਅਤੇ ਵਿਅਕਤੀਗਤ, ਗੈਰ-ਵਾਪਸੀਯੋਗ") ਤਿਆਰ ਕਰਦਾ ਹੈ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਭਰਮ ਨੂੰ ਖਤਮ ਕਰਨਾ। ਇੱਕ ਟੈਲੀਕਾਮ ਬੋਟ ਦੀ ਮੁਹਿੰਮ ਦੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੀ ਸ਼ੁੱਧਤਾ ਇੱਕ ਨੋ-RAG ਸੈੱਟਅੱਪ ਵਿੱਚ 71% ਸੀ; ਮਾਡਲ ਨੇ ਕਈ ਵਾਰ ਪੁਰਾਣੀਆਂ ਮੁਹਿੰਮਾਂ ਬਣਾਈਆਂ. ਜਦੋਂ ਮੌਜੂਦਾ ਮੁਹਿੰਮ ਪੰਨਿਆਂ ਨੂੰ RAG ਨਾਲ ਕਨੈਕਟ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ "ਇਹ ਨਾ ਕਹੋ ਜੇ ਇਹ ਸਰੋਤ ਵਿੱਚ ਨਹੀਂ ਹੈ" ਨਿਯਮ ਜੋੜਿਆ ਗਿਆ ਸੀ, ਤਾਂ ਸ਼ੁੱਧਤਾ 96% ਤੱਕ ਵਧ ਗਈ ਅਤੇ "ਗਲਤ ਮੁਹਿੰਮ ਸ਼ਬਦਾਂ" ਬਾਰੇ ਸ਼ਿਕਾਇਤਾਂ ਲਗਭਗ ਖਤਮ ਹੋ ਗਈਆਂ।

ਕੇਸ 2 - ਵਿਰੋਧਾਭਾਸ ਦੀ ਕੀਮਤ। ਇੱਕ ਈ-ਕਾਮਰਸ ਕੰਪਨੀ ਦੇ ਗਿਆਨ ਅਧਾਰ ਵਿੱਚ, ਦੋ ਪੰਨਿਆਂ (ਇੱਕ ਮੌਜੂਦਾ, ਇੱਕ ਪੁਰਾਣਾ ਭੁੱਲਿਆ ਹੋਇਆ ਪੰਨਾ) 'ਤੇ ਦੋ ਵੱਖ-ਵੱਖ ਸ਼ਿਪਿੰਗ ਖਰਚੇ ਲਿਖੇ ਗਏ ਸਨ। ਬੋਟ ਬੇਤਰਤੀਬੇ ਤੌਰ 'ਤੇ ਕਿਸੇ ਨੂੰ ਖਿੱਚ ਰਿਹਾ ਸੀ ਅਤੇ ਕੁਝ ਗਾਹਕਾਂ ਨੂੰ ਗਲਤ ਕੀਮਤ ਦੱਸ ਰਿਹਾ ਸੀ। ਜਦੋਂ ਪੁਰਾਣੇ ਪੰਨੇ ਨੂੰ ਸਿੰਗਲ ਸਹੀ ਸਰੋਤ ਦੇ ਸਿਧਾਂਤ ਨਾਲ ਪੁਰਾਲੇਖ ਕੀਤਾ ਗਿਆ ਸੀ, ਤਾਂ ਅਸੰਗਤਤਾ ਗਾਇਬ ਹੋ ਗਈ ਸੀ। ਪਾਠ: RAG ਵਿਰੋਧਾਭਾਸ ਨੂੰ ਹੱਲ ਨਹੀਂ ਕਰਦਾ, ਇਹ ਵਿਰੋਧਾਭਾਸ ਨੂੰ ਉਸੇ ਤਰ੍ਹਾਂ ਫੈਲਾਉਂਦਾ ਹੈ ਜਿਵੇਂ ਇਹ ਹੈ।

ਕੇਸ 3 — “ਮੈਨੂੰ ਨਹੀਂ ਪਤਾ” ਲੌਗ ਦਾ ਮੁੱਲ। ਇੱਕ ਬੈਂਕ ਵਿੱਚ, ਬੋਟ ਇੱਕ ਮਹੀਨੇ ਵਿੱਚ ~4,000 ਸਵਾਲਾਂ ਨੂੰ "ਮੈਨੂੰ ਪੱਕਾ ਪਤਾ ਨਹੀਂ" ਕਹਿ ਰਿਹਾ ਸੀ। ਜਦੋਂ ਇਹਨਾਂ ਪ੍ਰਸ਼ਨਾਂ ਦਾ ਸਮੂਹ ਕੀਤਾ ਗਿਆ ਸੀ, ਇਹ ਦੇਖਿਆ ਗਿਆ ਸੀ ਕਿ 40% "ਅੰਤਰਰਾਸ਼ਟਰੀ ਕਾਰਡ ਵਰਤੋਂ" ਬਾਰੇ ਸਨ; ਇਸ ਬਾਰੇ ਕੋਈ ਲੇਖ ਨਹੀਂ ਸੀ। ਜਦੋਂ ਸੰਬੰਧਿਤ ਆਈਟਮਾਂ ਨੂੰ ਜੋੜਿਆ ਗਿਆ ਸੀ, ਤਾਂ ਇਹ ਸਵਾਲ ਹੱਲ ਹੋ ਗਏ ਸਨ ਅਤੇ ਉਸ ਵਿਸ਼ੇ 'ਤੇ ਲੋਕਾਂ ਦਾ ਟਰਨਓਵਰ 55% ਘਟ ਗਿਆ ਸੀ। ਇਹ ਤੱਥ ਕਿ ਬੋਟ ਨੇ ਕਿਹਾ ਕਿ ਇਹ ਨਹੀਂ ਜਾਣਦਾ ਸੀ ਸੁਧਾਰ ਲਈ ਰੋਡ ਮੈਪ ਬਣ ਗਿਆ.

ਆਮ ਗਲਤੀਆਂ

• ਸਰੋਤ ਨਾਲ ਲਿੰਕ ਕੀਤੇ ਬਿਨਾਂ ਜਵਾਬ ਦੇਣਾ। RAG ਤੋਂ ਬਿਨਾਂ, ਮਾਡਲ ਠੋਸ ਜਾਣਕਾਰੀ ਨੂੰ ਫਿੱਟ ਕਰਦਾ ਹੈ; ਕੋਈ ਵੀ ਠੋਸ ਜਵਾਬ ਸਰੋਤ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।
• "ਮੈਨੂੰ ਨਹੀਂ ਪਤਾ" ਵਿਕਲਪ ਨੂੰ ਬੰਦ ਕਰਨਾ। ਮਾਡਲ ਨੂੰ ਹਰ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇਣ ਲਈ ਮਜਬੂਰ ਕਰਨਾ ਫਿਟਿੰਗ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ।
• ਵਿਵਾਦਪੂਰਨ/ਪੁਰਾਣੀ ਜਾਣਕਾਰੀ ਨੂੰ ਸਾਫ਼ ਨਹੀਂ ਕਰਨਾ। RAG ਵਿਰੋਧਾਭਾਸ ਫੈਲਾਉਂਦਾ ਹੈ; ਇੱਕ ਸਿੰਗਲ ਸਹੀ ਸਰੋਤ ਜ਼ਰੂਰੀ ਹੈ.
• ਕੱਟਣ ਦੀ ਅਣਦੇਖੀ. ਵੱਡੇ PDF ਨੂੰ ਨਿਰਯਾਤ ਕਰਨਾ ਸਹੀ ਪਹੁੰਚ ਵਿੱਚ ਵਿਘਨ ਪਾਉਂਦਾ ਹੈ; ਛੋਟੇ, ਸਿੰਗਲ-ਵਿਸ਼ੇ ਵਾਲੇ ਲੇਖਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ।
• ਸਰੋਤ ਨੂੰ ਲੁਕਾਉਣਾ। ਇਹ ਨਹੀਂ ਦਰਸਾਉਣਾ ਕਿ ਜਵਾਬ ਕਿਸ 'ਤੇ ਅਧਾਰਤ ਹੈ, ਪੁਸ਼ਟੀਕਰਨ ਅਤੇ ਵਿਸ਼ਵਾਸ ਨੂੰ ਕਮਜ਼ੋਰ ਕਰਦਾ ਹੈ।

ਸਾਵਧਾਨ: RAG ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ ਪਰ 100% ਗਰੰਟੀ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਦਾ ਹੈ। ਮਾਡਲ ਕਈ ਵਾਰ ਕੈਪਚਰ ਕੀਤੇ ਹਿੱਸੇ ਦੀ ਗਲਤ ਵਿਆਖਿਆ ਕਰ ਸਕਦਾ ਹੈ। ਇਸ ਲਈ, ਵਿੱਤੀ, ਕਾਨੂੰਨੀ ਅਤੇ ਸੁਰੱਖਿਆ ਮੁੱਦਿਆਂ ਲਈ ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਭਾਵੇਂ ਸਰੋਤ ਦਾ ਹਵਾਲਾ ਦਿੱਤਾ ਗਿਆ ਹੋਵੇ; RAG ਭੁਲੇਖੇ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ ਪਰ ਜ਼ਿੰਮੇਵਾਰੀ ਨੂੰ ਦੂਰ ਨਹੀਂ ਕਰਦਾ।

ਸਾਰੰਸ਼ ਵਿੱਚ

ਗਿਆਨ ਅਧਾਰ ਅਤੇ RAG ਕਾਲ ਸੈਂਟਰ AI ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਨੀਂਹ ਹਨ। RAG ਮੋਟੇ ਤੌਰ 'ਤੇ ਮਾਡਲ ਨੂੰ ਮੈਮੋਰੀ ਤੋਂ ਜਵਾਬ ਫਿੱਟ ਕਰਨ ਤੋਂ ਰੋਕ ਕੇ ਅਤੇ ਮੌਜੂਦਾ ਸਰੋਤ 'ਤੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਭਰੋਸਾ ਕਰਕੇ ਭਰਮ ਨੂੰ ਰੋਕਦਾ ਹੈ। ਪਰ RAG ਕੇਵਲ ਇਸਦੇ ਗਿਆਨ ਅਧਾਰ ਜਿੰਨਾ ਹੀ ਵਧੀਆ ਹੈ: ਇੱਕ ਗਿਆਨ ਅਧਾਰ ਜੋ ਨਵੀਨਤਮ, ਸਪਸ਼ਟ, ਢਾਂਚਾਗਤ, ਵਿਵਾਦ-ਮੁਕਤ ਹੈ ਅਤੇ ਸੱਚਾਈ ਦਾ ਇੱਕ ਸਰੋਤ ਜ਼ਰੂਰੀ ਹੈ। ਮਾਡਲ ਨੂੰ ਦੱਸੋ "ਜੇਕਰ ਇਹ ਸਰੋਤ ਵਿੱਚ ਨਹੀਂ ਹੈ, ਤਾਂ ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਤੁਸੀਂ ਨਹੀਂ ਜਾਣਦੇ", ਸਰੋਤ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰੋ, ਅਤੇ ਉਹਨਾਂ ਪ੍ਰਸ਼ਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ ਜੋ ਬੋਟ ਆਪਣੇ ਗਿਆਨ ਅਧਾਰ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਜਵਾਬ ਨਹੀਂ ਦੇ ਸਕਦਾ ਹੈ। ਉੱਚ-ਦਾਅ ਵਾਲੇ ਮਾਮਲਿਆਂ 'ਤੇ ਸਰੋਤ ਹੋਣ ਦੇ ਬਾਵਜੂਦ ਮਨੁੱਖੀ ਸਹਿਮਤੀ ਬਣਾਈ ਰੱਖੋ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਆਪਣੇ ਉਦਯੋਗ ਤੋਂ 8 ਅਸਲ/ਯਥਾਰਥਵਾਦੀ ਗਾਹਕ ਸਵਾਲ ਅਤੇ 8 ਅਨੁਸਾਰੀ ਛੋਟੇ ਗਿਆਨ ਅਧਾਰ ਲੇਖ (ਹਰੇਕ ਲੇਖ: ਸਵਾਲ, ਛੋਟੇ ਜਵਾਬ, ਸ਼ਰਤਾਂ, ਮਿਤੀ, ਟੈਗ) ਲਿਖੋ। ਫਿਰ ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਮਾਡਲ "1) ਤੰਗ RAG ਜਵਾਬ ਪ੍ਰੋਂਪਟ" ਪੈਟਰਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਤੇ ਇੱਕ ਸਵਾਲ ਪੁੱਛ ਕੇ "ਮੈਨੂੰ ਨਹੀਂ ਪਤਾ" ਕਹਿ ਸਕਦਾ ਹੈ, ਜਿਸ ਵਿੱਚੋਂ ਇੱਕ ਗਿਆਨ ਅਧਾਰ ਵਿੱਚ ਨਹੀਂ ਹੈ। ਅੰਤ ਵਿੱਚ, "3) ਵਿਰੋਧਾਭਾਸ ਅਤੇ ਅੰਤਰ ਸਕੈਨਿੰਗ" ਨਾਲ ਆਪਣੇ ਲੇਖਾਂ ਦੀ ਜਾਂਚ ਕਰੋ।

ਚੈੱਕਲਿਸਟ

• ਬੋਟ/ਸਹਾਇਕ ਦੁਆਰਾ ਦਿੱਤਾ ਗਿਆ ਹਰ ਠੋਸ ਜਵਾਬ ਮੌਜੂਦਾ ਗਿਆਨ ਅਧਾਰ (RAG ਦੁਆਰਾ) 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।
• [ ] ਮੈਂ ਮਾਡਲ ਨੂੰ ਨਿਰਦੇਸ਼ ਦਿੱਤਾ "ਜੇਕਰ ਇਹ ਸਰੋਤ ਵਿੱਚ ਨਹੀਂ ਹੈ, ਤਾਂ ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਤੁਸੀਂ ਨਹੀਂ ਜਾਣਦੇ" ਅਤੇ ਇਸਦੀ ਜਾਂਚ ਕੀਤੀ।
• [ ] ਮੇਰੇ ਗਿਆਨ ਅਧਾਰ ਵਿੱਚ ਅੱਪ-ਟੂ-ਡੇਟ, ਸਪਸ਼ਟ, ਸਿੰਗਲ-ਵਿਸ਼ਾ ਲੇਖ ਸ਼ਾਮਲ ਹਨ।
• [ ] ਮੈਂ ਵਿਵਾਦਪੂਰਨ ਅਤੇ ਪੁਰਾਣੇ ਲੇਖਾਂ ਨੂੰ ਸਾਫ਼ ਕਰ ਦਿੱਤਾ ਹੈ; ਸਾਰੀ ਜਾਣਕਾਰੀ ਲਈ ਸਿਰਫ਼ ਇੱਕ ਹੀ ਸਹੀ ਸਰੋਤ ਹੈ।
• [ ] ਜਵਾਬ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਇਹ ਕਿਸ ਲੇਖ 'ਤੇ ਆਧਾਰਿਤ ਹੈ (ਸਰੋਤ)।
• [ ] ਮੈਂ "ਮੈਨੂੰ ਨਹੀਂ ਪਤਾ" ਪ੍ਰਸ਼ਨ ਇਕੱਠੇ ਕਰਦਾ ਹਾਂ ਅਤੇ ਗਿਆਨ ਅਧਾਰ ਨੂੰ ਫੀਡ ਕਰਦਾ ਹਾਂ।