مروری جامع بر تولید تقویت شده با بازیابی (RAG): معماری ها، روش های ارزیابی، بنچمارک ها و کاربردها

مدل های زبانی بزرگ (Large Language Models) در سال های اخیر پیشرفت های چشمگیری در تولید متن و پاسخ گویی به پرسش ها داشته اند، اما همچنان با چالش هایی نظیر توهم زایی (Hallucination) محدودیت دانش، عدم دسترسی به اطلاعات به روز و کاهش دقت در حوزه های تخصصی مواجه هستند. معماری تولید تقویت شده با بازیابی (Retrieval-Augmented Generation) به عنوان یکی از موثرترین راهکارها برای رفع این محدودیت ها مطرح شده است. این معماری با ترکیب قابلیت بازیابی اطلاعات از منابع خارجی و توانایی تولید متن توسط مدل های زبانی، امکان ارائه پاسخ های دقیق تر، مستندتر و به روزتر را فراهم می کند. با توسعه سریع روش های مبتنی بر RAG، معماری ها، راهبردهای بازیابی، روش های رتبه بندی، چارچوب های ارزیابی و کاربردهای متنوعی برای آن ارائه شده است که شناخت جامع آن ها برای پژوهشگران و توسعه دهندگان ضروری است.در این مقاله مروری، با بررسی و تحلیل هشت پژوهش منتخب و به روز، مهم ترین پیشرفت های حوزه RAG شامل معماری های نوین مانند LightRAG، Active RAG و RankRAG، چارچوب های ارزیابی کیفیت بازیابی، بنچمارک های عمومی و تخصصی، بهترین شیوه های طراحی سامانه های RAG و کاربردهای آن در حوزه هایی مانند پزشکی و تولید محتوای مبتنی بر هوش مصنوعی مورد بررسی قرار گرفته اند. همچنین نقاط قوت، محدودیت ها، چالش های موجود و روندهای پژوهشی آینده این فناوری به صورت تطبیقی تحلیل شده اند.نتایج این مرور نشان می دهد که عملکرد سامانه های RAG بیش از هر عامل دیگری به کیفیت بازیابی اطلاعات، رتبه بندی صحیح اسناد، انتخاب راهبرد مناسب برای ترکیب اطلاعات بازیابی شده با مدل زبانی و استفاده از معیارهای ارزیابی دقیق وابسته است. در نهایت، این مقاله ضمن ارائه تصویری جامع از وضعیت کنونی RAG، می تواند به عنوان مرجعی برای پژوهشگران در توسعه نسل آینده سامانه های مبتنی بر مدل های زبانی بزرگ و بازیابی دانش مورد استفاده قرار گیرد.

کلیدواژه ها:

تولید تقویت شده با بازیابی (RAG) ، مدل های زبانی بزرگ (LLMs) ، بازیابی اطلاعات ، ارزیابی RAG ، معماری های RAG