Retrieval-Augmented Generation (RAG)
Retrieval-Augmented Generation (RAG) คือไปป์ไลน์การประมวลผลภาษาธรรมชาติที่ Lewis และคณะ นำเสนอในปี 2020 ซึ่งเสริมความแข็งแกร่งให้กับแบบจำลองภาษาขนาดใหญ่ (LLM) ด้วยหลักฐานที่ดึงมาได้ในเวลาอนุมานจากฐานความรู้ภายนอก แทนที่จะอาศัยเฉพาะสิ่งที่แบบจำลองจดจำได้ระหว่างการฝึกอบรม RAG จะดึงข้อความที่เกี่ยวข้องมากที่สุดจากดัชนีเอกสารก่อน จากนั้นจึงส่งข้อความเหล่านั้นไปยัง LLM เป็นบริบท เพื่อให้คำตอบที่สร้างขึ้นมีพื้นฐานมาจากข้อมูลที่ตรวจสอบได้และเป็นปัจจุบัน แนวทางนี้ช่วยลดการหลอน และช่วยให้สามารถแทรกความรู้เฉพาะทางหรือความรู้ที่อ่อนไหวต่อเวลาได้โดยไม่ต้องฝึกอบรมแบบจำลองใหม่
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Retrieval-Augmented Generation (RAG). ScholarGate. https://scholargate.app/th/text-mining/retrieval-augmented-generation
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- BERT Embeddingsการทำเหมืองข้อความ↔ compare
- การปรับจูน BERTการเรียนรู้เชิงลึก↔ compare
- การสร้างกราฟความรู้จากข้อความการทำเหมืองข้อความ↔ compare
- การตอบคำถาม (Question Answering - QA)การทำเหมืองข้อความ↔ compare
- ความสนใจหลายหัวของตนเอง (Multi-Head Self-Attention)การเรียนรู้เชิงลึก↔ compare
- การสรุปความอัตโนมัติการทำเหมืองข้อความ↔ compare
- ทรานส์ฟอร์มเมอร์ (การประมวลผลภาษาธรรมชาติ)การเรียนรู้เชิงลึก↔ compare