آینده هوش مصنوعی؛ ظهور «تولید تقویت شده با بازیابی»

باسمه تعالی

مقدمه

ابزارهای هوش مصنوعی مولد مانند ChatGPT، Geminiو Claude، خبر از پیشرفت های قابل توجه در استفاده روزمره از هوش مصنوعی می دهند. این «مدل های زبانی بزرگ[1]»، حاوی صدها میلیارد پارامتر هستند. مانند کتابخانه های عمومی، آن ها شامل حجم وسیعی از اطلاعات پیرامون موضوعات مختلف بوده که می توانند کاربران را در حل مشکلات دشوار و بهبود عملکردشان یاری دهند. این یادداشت قصد دارد به معرفی «تولید تقویت شده با بازیابی» (که بعضا هم با عنوان «نسل بازیابی افزوده» نیز معرفی می شود) به عنوان آینده ساز هوش مصنوعی بپردازد.

تولید تقویت شده با بازیابی (RAG)

سازمان ها در حال سفارشی سازی برنامه های هوش مصنوعی با داده های سازمانی خود به کمک «تولید تقویت شده با بازیابی[2]» هستند. تولید تقویت شده با بازیابی، مدل های زبانی را به منابع اختصاصی دانش مانند داده های محصول، سیستم های مدیریت موجودی و پروتکل های خدمات کاربران و غیره پیوند می دهد. تولید تقویت شده با بازیابی با اتصال مدل های هوش مصنوعی به منابع دستچین شده، استقرار هوش مصنوعی مولد را اثربخش و خاص می کند. تولید تقویت شده با بازیابی به عنوان یک سیستم قدرتمند برای افزایش قابلیت های مدل های زبانی بزرگ با استفاده از منابع اطلاعاتی خارجی ظهور کرده است.

تاریخچه تولید تقویت شده با بازیابی

برای رفع محدودیت های هوش مصنوعی مولد، محققان و مهندسان رویکردهای نوآورانه ای را توسعه داده اند که یکی از آن ها رویکرد تولید تقویت شده با بازیابی است. این رویکرد، ابتدا توجه توسعه دهندگان هوش مصنوعی مولد را به دنبال انتشار مقاله مهمی با عنوان «نسل تقویت شده بازیابی برای وظایفNLP مبتنی بر دانش» ( Lewis et al. 2020) در تحقیقات هوش مصنوعی «فیس بوک» جلب کرد.

کارکردهای تولید تقویت شده با بازیابی

تولید تقویت شده با بازیابی، نقاط قوت هوش مصنوعی مولد را با تکنیک های بازیابی ترکیب می کند تا کیفیت و ارتباط متن تولید شده را افزایش دهد. برخلاف مدل های مولد سنتی که صرفا بر دانش داخلی خود متکی هستند، تولید تقویت شده با بازیابی یک مرحله اضافی را شامل می شود که در آن اطلاعات را از منابع خارجی، مانند پایگاه های داده، اسناد یا وب، قبل از ایجاد پاسخ، بازیابی می کند. این ادغام مکانیسم های بازیابی را برای دسترسی به اطلاعات و زمینه های به روز، قدرت می دهد و آن را به ویژه برای برنامه هایی که اطلاعات دقیق و فعلی حیاتی است، ارزشمند می سازد.

نتیجه

مدل های کوچک تر مجهز به تولید تقویت شده با بازیابی، راه حلی برای چالش ایجاد تعادل در حریم خصوصی و استفاده از هوش مصنوعی ارائه می دهند. تولید تقویت شده با بازیابی می تواند داده های محلی را نیز استخراج کرده و در زیرساخت های موجود در محل اجرا کند. تولید تقویت شده با بازیابی راهی سریع و مقرون به صرفه به سازمان ها برای ساخت راه حل های دقیق و سفارشی مبتنی بر هوش مصنوعی مولد ارائه می ‍دهد. بنابراین، تولید تقویت شده با بازیابی جایگاه مهمی در آینده هوش مصنوعی خواهد داشت.

[1] Large Language Models

[2] Retrieval-Augmented Generation (RAG)