Retrieval-Augmented Generation (RAG)
Retrieval-Augmented Generation (RAG) is een pijplijn voor natuurlijke taalverwerking, geïntroduceerd door Lewis et al. in 2020, die een groot taalmodel (LLM) versterkt met bewijs dat op inferentietijd uit een externe kennisbank wordt opgehaald. In plaats van uitsluitend te vertrouwen op wat een model tijdens de training heeft gememoriseerd, haalt RAG eerst de meest relevante passages uit een documentindex op en geeft deze passages vervolgens als context aan het LLM, waardoor het gegenereerde antwoord wordt gegrond in verifieerbare, actuele informatie. De aanpak vermindert hallucinatie en maakt het mogelijk om domeinspecifieke of tijdsgevoelige kennis te injecteren zonder het model opnieuw te trainen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
+1 meer
Bronnen
- Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems (NeurIPS), 33, 9459-9474. DOI: 10.48550/arXiv.2005.11401 ↗
- Gao, Y. et al. (2023). Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv preprint. DOI: 10.48550/arXiv.2312.10997 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Retrieval-Augmented Generation (RAG). ScholarGate. https://scholargate.app/nl/text-mining/retrieval-augmented-generation
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- BERT-inbeddingenTekstmining↔ vergelijken
- BERT Fine-TuningDeep learning↔ vergelijken
- Kennisgraafconstructie uit tekstTekstmining↔ vergelijken
- Vraagbeantwoording (VB)Tekstmining↔ vergelijken
- Multi-Head Self-AttentionDeep learning↔ vergelijken
- TekstsamenvattingTekstmining↔ vergelijken
- Transformer (NLP)Deep learning↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →