Geri Çağırma Destekli Üretim (RAG)
Retrieval-Augmented Generation (RAG) · Ayrıca şöyle bilinir: RAG, retrieval-augmented LLM, grounded generation, Erişim Destekli Metin Üretimi (RAG)
Geri Çağırma Destekli Üretim (RAG), Lewis ve arkadaşları tarafından 2020'de tanıtılan, büyük bir dil modelini (LLM) çıkarım zamanında harici bir bilgi tabanından alınan kanıtlarla güçlendiren bir doğal dil işleme işlem hattıdır. RAG, bir modelin eğitim sırasında ezberlediği bilgilere yalnızca güvenmek yerine, önce bir belge dizininden en ilgili bölümleri geri çağırır ve ardından bu bölümleri bağlam olarak LLM'ye ileterek üretilen yanıtı doğrulanabilir, güncel bilgilerle temellendirir. Bu yaklaşım halüsinasyonu azaltır ve modeli yeniden eğitmeden alan özel veya zamana duyarlı bilginin enjekte edilmesine olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+1 tane daha
Ne zaman kullanılır
RAG, bir LLM'nin eğitim almadığı özel, alan özel veya hızla değişen bir derlem hakkında soruları yanıtlaması gerektiğinde uygundur. Özellikle büyük belge koleksiyonları, kurumsal bilgi tabanları, yasal veya tıbbi literatür ve halüsinasyonun kontrol edilmesi gereken ve yanıtların kaynak geçitlerine izlenebilir olması gereken herhangi bir senaryo için uygundur. Bir vektör bilgi tabanı ve bir gömme modeline ve bir LLM'ye erişim gerekli ön koşullardır. Bilgi tabanı çok küçükse (kabaca on belgeden az), daha basit geri çağırma stratejileri yeterli olabilir. RAG, geri çağrılacak bir belge koleksiyonu olmadığında geçerli değildir.
Güçlü yönler & sınırlılıklar
- Yanıtları yalnızca model belleği yerine geri çağrılan kanıtlara dayandırarak halüsinasyonu azaltır.
- LLM'yi yeniden eğitmeden veya ince ayar yapmadan alan özel veya güncel bilgilerin dahil edilmesine olanak tanır.
- Yanıt izlenebilirliği sağlar: geri çağrılan geçitler alıntılar olarak yüzeye çıkarılabilir, bu da çıktıları denetlenebilir hale getirir.
- Bilgi tabanı, modelden bağımsız olarak güncellenebilir, böylece belgeler değiştikçe yanıtlar güncel kalır.
- Geri çağırma kalitesi bir darboğazdır: doğru geçitler döndürülmezse, LLM telafi edemez.
- Bir vektör dizini oluşturmak ve sürdürmek altyapı ek yükü getirir — gömme modelleri, bir vektör veritabanı ve senkronizasyon işlem hatları gereklidir.
- LLM hala geri çağrılan geçitleri göz ardı edebilir veya yanlış yorumlayabilir, özellikle bağlam penceresi ilgisiz parçacıklarla doygun olduğunda.
- Değerlendirme, standart sınıflandırmadan daha karmaşıktır: sadakat, bağlam alaka düzeyi ve yanıt alaka düzeyi ayrı ayrı ölçülmelidir.
SSS
RAG, bir LLM'yi ince ayarlamaktan nasıl farklıdır?
İnce ayar, ek bir eğitim geçişi sırasında bilgiyi model ağırlıklarına yerleştirir; bilgi örtüktür ve kolayca güncellenemez. RAG, bilgiyi bir vektör veritabanında harici tutar ve çıkarım zamanında geri çağırır, bu da bilgi tabanının modeli dokunmadan güncellenmesini, genişletilmesini veya denetlenmesini kolaylaştırır. İnce ayar, modelin stilini veya görev biçimini uyarlamak için daha iyidir; RAG, olgusal içeriği güncel ve izlenebilir tutmak için daha iyidir.
RAG'da gömme modelinin rolü nedir?
Gömme modeli, belgeleri ve sorguları paylaşılan bir anlamsal uzayda yoğun vektörlere dönüştürür, böylece benzer anlamlar yakındaki vektörlere eşlenir. Geri çağırmanın kalitesi — ve dolayısıyla nihai cevabın kalitesi — gömme modelinin hedef alanın anlambilimini ne kadar iyi yakaladığına büyük ölçüde bağlıdır. Genel bir gömme modeli, özel derlemlerde yetersiz performans gösterebilir; mevcut olduğunda alan uyarlanmış modeller tercih edilmelidir.
RAG işlem hattımın iyi çalıştığını nasıl değerlendirebilirim?
Değerlendirme üç boyutu kapsamalıdır: bağlam alaka düzeyi (geri çağırma doğru geçitleri mi döndürdü?), sadakat (üretilen yanıt geri çağrılan geçitlerle uyumlu mu?) ve yanıt alaka düzeyi (yanıt soruya cevap veriyor mu?). RAGAS gibi çerçeveler bu metrikleri otomatik olarak işler. Bir örnek sorgu-yanıt çiftleri kümesinin insan açıklaması güvenilir bir temel gerçek sağlar.
RAG'ın faydalı olması için kaç belgeye ihtiyacı var?
Kesin bir minimum yoktur, ancak RAG, genel bir LLM'nin güvenilir bir kapsama sahip olmayacağı kadar büyük bir bilgi tabanı olduğunda en değerli hale gelir — tipik olarak anlamlı içeriğe sahip en az onlarca belge. Çok küçük derlemler (on belgeden az) için, tam metinle doğrudan istem verme daha basit olabilir. Koleksiyon binlerce veya milyonlarca belgeye büyüdükçe, RAG'ın yapılandırılmış geri çağırması vazgeçilmez hale gelir.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Retrieval-Augmented Generation (RAG). ScholarGate. https://scholargate.app/tr/text-mining/retrieval-augmented-generation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- BERT Gömme VektörleriMetin madenciliği↔ karşılaştır
- BERT İnce AyarıDerin öğrenme↔ karşılaştır
- Metinden Bilgi Grafiği OluşturmaMetin madenciliği↔ karşılaştır
- Soru Yanıtlama (SY)Metin madenciliği↔ karşılaştır
- Çok Başlı Öz-DikkatDerin öğrenme↔ karşılaştır
- Metin ÖzetlemeMetin madenciliği↔ karşılaştır
- Transformer (Doğal Dil İşleme)Derin öğrenme↔ karşılaştır