在11月6日 OpenAI 的开发者大会上，OpenAI 的 CEO 山姆·奥尔特曼发布的ChatGPT多项改进，其中就有两项引起了Able 的注意，它们竟然是利用 RAG 来实现的。
首先是 ChatGPT 将原有独立的高级数据分析、代码生成、互联网搜索、AI绘图等都合并成了一个功能，其中结合必应搜索引擎的互联网搜索就是基于RAG实现的；其次还有一个就是专门面向开发者实现的 Assistant API，也就是可以让开发者能够自由地调用外部的函数、文档和互联网等信息这样的一个功能。加上此前已经发布的基于 RAG 的插件功能，Open-AI 可谓是在大模型落地的道路上又向前推进了一步。
那 RAG 到底有什么魔力？这期 Able 说 AI 邀请了爱数研发专家——陈骁，为大家详细解读 RAG 。

RAG 有效缓解大模型落地挑战

RAG， Retrieval Augmented Generation，三个单词的缩写，也就是检索增强生成。这种方式实现起来也非常简单，就是在让大模型在回答某个问题之前，先利用一个知识库来获取候选的知识，再由大模型来生成答案。
大模型在回答问题时存在三个方面的缺陷，分别是：知识的时效性、幻觉和偏见。这对于大模型在实际场景中真正落地是非常不利的。
RAG 通过外挂一个可检索的知识库来解决这个问题。新版的 ChatGPT，可以通过查询互联网来获取知识，并且从中获取答案，可以有效地缓解时效性和幻觉问题。

RAG 实现原理深度解析

由下图可以看出，大模型向应用发起问题的时候，RAG 不是让大模型直接生成答案，而是先调用了一个搜索 API，将候选答案提取出来，再通过将这些候选答案以上下文的方式给到大模型的提示词，让大模型去生成答案，这样就在不改变任何模型参数的条件下实现了精准的回答。

RAG 中的关键实际上是 R（Retrieval）和 G（Generation），其中大模型行来负责 G，也就是生成，而知识库负责R，也就是检索。R 的效果好坏对于答案生成的效果也是至关重要的，在互联网的场景我们可以去调用市面上非常优秀的搜索引擎接口。

RAG+大模型应用实践

在爱数 AnyShare 上存在着大量的文件，这些都是非常好的知识来源。
利用向量检索和全文检索技术来实现强大的搜索能力，结合私有部署的大模型来提升大模型使用的安全性。利用 RAG 的方法，我们可以在 AnyShare 中询问任何文档中存在的知识。
比如，我想知道认知助手的能力，AnyShare 会先从已经被向量化的文章中召回相关的段落，并通过这些段落在来生成答案，从而精准地回答用户的问题。

对于 AnyDATA 也是一样，我们还可以利用 AnyDATA 将企业的全域数据构建为领域知识网络，用AnyDATA 认知应用将图分析、图谱问答、外部 API 调用等能力统统集成起来，提供多种获取知识的方式，从而进一步增强 RAG 中的 R，从而大幅度地提升大模型回答问题的效果。

RAG 最直接的优势就是能够让大模型利用自身的逻辑推导能力，去理解企业私有数据，实现问答能力的拓展；RAG 落地大模型的关键在于有一个质量够高、搜索能力强大的知识库，是大模型落地的一种成本较低也较为有效的手段。
更多《Able 说 AI》内容，详情点击链接：https://www.aishu.cn/cn/blogs?product=33

点个赞吧！

请就本文对您的益处进行评级：

返回上一篇:Able 说 AI 丨大模型是怎样炼成... 下一篇：Able 说 AI丨揭秘 Prompt

标签

Able说AI

爱数博客

Able 说 AI丨RAG：大模型落地的秘密武器？

热门标签

热门文章

最近文章

爱数博客

Able 说 AI丨RAG：大模型落地的秘密武器？

Able 说 AI 丨 大模型中立：构筑全场景业务赋能的认知智能架构

Able 说 AI 丨 AnyFabric何以实现数据分析“平民化”？

Able 说 AI 丨 用 Copilot，秒变“数据科学家”

热门标签

热门文章

最近文章

Able 说 AI 丨大模型中立：构筑全场景业务赋能的认知智能架构

Able 说 AI 丨用 Copilot，秒变“数据科学家”