הרעיון המרכזי
RAG מאחזר חומר רלוונטי ונותן אותו למודל כהקשר. הוא עשוי לשפר ביסוס, אך אינו מבטיח תשובה נכונה או מלאה.
השיטה
בחרו מסמכים עם בעלים, תאריכים והרשאות. העריכו את הקטעים שאוחזרו לפני התשובה. דרשו מקורות והימנעות מפורשת כשאין ראיות מספיקות.
איך מעריכים התקדמות
הפרידו כשלי אחזור מכשלי יצירה. בדקו מסמכים ישנים, הוראות סותרות ושאלות ללא תשובה. שימרו זכויות גישה לאורך התהליך.
החלטה
החליטו אם הכשל העיקרי הוא מציאת ידע נכון או שימוש נכון בידע שנשלף. התחילו באבחון זה. שיפור הנחיית היצירה לא יתקן אוסף ללא תשובה או חיפוש ששולף שוב ושוב קטע שגוי.
תרגול
צרו עשרים שאלות עם קטעי תמיכה צפויים, כולל חריגי מוצר, הצעות ישנות ושמות דומים. בדקו את הקטעים לפני תשובות שנוצרו. סווגו כשלים: מקור חסר, קטע שגוי, הקשר חסר, גרסאות סותרות או יצירה לא מבוססת. שנו בחירת שליפה או הכנת מסמכים אחת וחזרו על המקרים המושפעים.
תוצר למסירה
הכינו גיליון בדיקת שליפה: שאלה, מסמך צפוי, קטע שהוחזר, תאריך גרסה, הקשר הרשאות וסוג הכשל. צרפו מחוון לנאמנות לראיות, ציטוט רלוונטי והימנעות מתאימה. כך אחראי המסמכים והטכנולוגיה מקבלים רשימות תיקון נפרדות וישימות.
טעות שכדאי למנוע
קטעים גדולים עשויים לקבור תשובה בהקשר לא רלוונטי; קטנים עלולים להשמיט תנאים לאמיתות הטענה. בדקו את הקטעים עצמם ולא רק ציון שליפה. שמרו סייגים, תאריך והיקף מוצר צמודים לטענות.
הטכנולוגיה והיישום המעשי.
מקורות רשמיים
Google Cloud · RAGהדגמות
ארבעה מסמכים פנימיים בדיוניים מדגימים איתור ראיות וטיפול בשאלות שאין להן תשובה או שהמקורות בעניינן סותרים זה את זה.
לפרטיםרוצים שנבנה את התהליך הזה לצוות שלכם?
אנחנו עוזרים לצוותי שיווק לחסוך זמן, להפיק יותר ולשפר תוצאות עסקיות בעזרת פתרונות AI, תהליכי עבודה, כלים והדרכה מעשית.
נדבר על תהליך ה-AI שלי