https://www.spaceandtime.io/blog/vector-search-to-success

2022 ခုနှစ်မတိုင်မီတွင်၊ သင်သည် သင်အကြိုက်ဆုံးစာအုပ်မှ တိကျသောစာပိုဒ်တစ်ပိုဒ် သို့မဟုတ် သင့်ရှေ့တွင် အလုပ်မပါဘဲ သင်ကြည့်ရှုခဲ့သော ရုပ်ရှင်တစ်ကားမှ ကိုးကားချက်ကို အမြန်ပြန်အမှတ်ရလိုပါက၊ သင်သည် ရှာဖွေရေးအင်ဂျင်သို့ ပြောင်းလဲသွားပေမည်။ ကောင်းစွာဖော်စပ်ထားသော ရှာဖွေမှုထည့်သွင်းမှုတစ်ခုဖြင့် ၎င်းကို သင်တောင်းဆိုမည်ဖြစ်ပြီး ပြန်လာသောရလဒ်များကို ခွဲခြမ်းစိပ်ဖြာရန်၊ သင့်အဖြေပါရှိသည့် SparkNotes သို့မဟုတ် IMDB လင့်ခ်သို့ သွားရောက်ကြည့်ရှုပြီး မိနစ်အနည်းငယ်အတွင်း စာမျက်နှာပေါ်တွင် သင်ရှာဖွေနေသည့် စာသားကို ရှာတွေ့မည်ဖြစ်သည်။ ယခု၊ သင်သည် ChatGPT ကိုရိုးရှင်းစွာဖွင့်ပါ၊ "အကျော်ကြားဆုံး Terminator ကိုးကားချက်ကဘာလဲ" ဟုရိုက်ထည့်ပါ။ သို့မဟုတ် "မြို့နှစ်မြို့ပုံပြင်၏ အဖွင့်ပိုဒ်ကို ရေးပါ" နှင့် သင်၏ စကားအပြောအဆို အဖြေကို စက္ကန့်ပိုင်းအတွင်း ပြန်ပြောပါ။

ကြီးမားသောဘာသာစကားပုံစံ (LLM) အတွက် အရိုးရှင်းဆုံးအသုံးပြုမှုတစ်ခုမှာ အသိပညာ၏ဒေတာဘေ့စ်တစ်ခုဖြစ်သည်။ ChatGPT ကဲ့သို့ အင်တာဖေ့စ်များသည် ပြန်လည်ရယူရန် လွယ်ကူစေသည့် ကြွယ်ဝသော အချက်အလက်အစုံအလင်ဖြင့် LLM များကို လေ့ကျင့်သင်ကြားထားပါသည်။ ဥပမာ ရုပ်ရှင် သို့မဟုတ် စာအုပ်မှ အကြောင်းအရာများ ပြန်ပေးရန် ChatGPT ကို သင်တောင်းဆိုသောအခါ၊ သင်သည် ၎င်း၏လေ့ကျင့်ရေးကာလအတွင်း ထိတွေ့ခဲ့ရသည့် အချက်အလက်များကို ပြန်လည်သိမ်းဆည်းရန် မော်ဒယ်၏စွမ်းရည်ကို ရိုးရှင်းစွာ အသုံးချနေပါသည်။ သို့သော် ၎င်းသည် Terminator script ကို မလေ့ကျင့်ပါက၊ သို့မဟုတ် ၎င်း၏အလေးချိန်များသည် Dickens ၏လက်ရာများကို အရေးမစိုက်ပါက မည်သို့ဖြစ်မည်နည်း။ အခြေခံအချက်အလက်ပြန်လည်ရယူခြင်းကဲ့သို့သော အရိုးရှင်းဆုံးအသုံးပြုမှုကိစ္စများအတွက် အတိကျဆုံးနှင့် သက်ဆိုင်ရာရလဒ်များကို ပေးပို့နိုင်ရန် LLM များသည် ကျယ်ပြန့်သောသတင်းအချက်အလက်များကို တိကျစွာဝင်ရောက်ကြည့်ရှုနိုင်သည့် ခေတ်မီဆန်းပြားသော အညွှန်းကိန်းများနှင့် ပြန်လည်ရယူသည့်ယန္တရားများ လိုအပ်ပါသည်။

LLM အကြောင်းအရာကို နားလည်ခြင်းနှင့် လေ့ကျင့်ခြင်း။ LLM အကြောင်းအရာကို လာမည့် တိုကင်ကြိုတင်ခန့်မှန်းမှုဟု သိထားသည့် လုပ်ငန်းစဉ်တစ်ခုမှတစ်ဆင့် တုံ့ပြန်မှုများသည် ဆက်စပ်အခြေအနေအရ သင့်လျော်သော၊ ကွဲပြားပြီး လူသားနှင့်တူသော နားလည်မှုအတန်ငယ် ထင်ဟပ်ကြောင်း သေချာစေသည့် လုပ်ငန်းစဉ်တစ်ခုမှတစ်ဆင့် ထုတ်ပေးပါသည်။ ဤသည်မှာ နောက်တိုကင်ခန့်မှန်းချက် အလုပ်လုပ်ပုံ၊ အဆင့်ဆင့်-

ထည့်သွင်းမှုလုပ်ဆောင်ခြင်း- သင် prompt သို့မဟုတ် မေးခွန်းတစ်ခုကို ရိုက်ထည့်သောအခါ၊ ၎င်းထည့်သွင်းမှုကို တိုကင်များ- စကားလုံးများ သို့မဟုတ် စကားလုံးအပိုင်းအစများအဖြစ်သို့ ပြောင်းလဲသည်။ ဆက်စပ်နားလည်မှု- မော်ဒယ်သည် သင်ပေးထားသော တိုကင်များကို ကြည့်ရှုပြီး ၎င်း၏လေ့ကျင့်မှုအပေါ် အခြေခံ၍ လက်တွင်ရှိသော အကြောင်းအရာမှ သင်အသုံးပြုမည့် အသံအထိ အရာအားလုံးပါဝင်သည့် အကြောင်းအရာကို နားလည်ရန် ကြိုးစားသည်။ နောက်တစ်ခု တိုကင်ကြိုတင်ခန့်မှန်းချက်- ၎င်းနားလည်ထားသည့် အကြောင်းအရာကို အသုံးပြု၍ မော်ဒယ်သည် နောက်လာမည့် တိုကင် ဖြစ်နိုင်ခြေအရှိဆုံးအရာကို ခန့်မှန်းပေးသည်။ ၎င်းသည် လက်ငင်းယခင်စကားလုံးကိုအခြေခံ၍ မှန်းဆရုံသာမက၊ ထိုအချက်အထိ စကားဝိုင်း၏ အကြောင်းအရာ တစ်ခုလုံးကို ထည့်သွင်းစဉ်းစားသည်။ တိုကင်ရွေးချယ်ခြင်း- ၎င်းသည် ဖြစ်နိုင်ခြေရှိသော တိုကင်အကွာအဝေးကို ခန့်မှန်းပြီးသည်နှင့်၊ ၎င်းသည် တစ်ခုကို ရွေးချယ်သည်။ ဤရွေးချယ်မှုသည် ဖြစ်နိုင်ခြေအပေါ်အခြေခံသည်—မော်ဒယ်လေ့ကျင့်သင်ကြားထားသည့်ဒေတာအပေါ်အခြေခံ၍ နောက်လာမည့်ဖြစ်နိုင်ခြေအရှိဆုံးတိုကင်။ သို့သော် ဤနေရာတွင် ကျပန်းကျပန်းအချို့လည်း ရှိနေသည်ကို သတိပြုသင့်ပြီး ပိုမိုကွဲပြားပြီး သဘာဝအတိုင်း အသံတုံ့ပြန်မှုများကို ထုတ်ပေးပါသည်။ အထွက် မျိုးဆက်- ရွေးချယ်ထားသော တိုကင်ကို ထို့နောက် လူသားဖတ်နိုင်သော စာသားအဖြစ်သို့ ပြန်ပြောင်းသည်။ တုံ့ပြန်မှု မပြီးမြောက်ပါက (မကြာခဏ တိုကင်တစ်ခုမျှသာမဟုတ်ပါ)၊ လုပ်ငန်းစဉ်သည် ပြန်စပါသည်။ တိုကင်အသစ်ကို အတွဲလိုက်သို့ ပေါင်းထည့်ထားပြီး မော်ဒယ်သည် ဤမွမ်းမံထားသော အကြောင်းအရာအပေါ် အခြေခံ၍ နောက်တိုကင်ကို ခန့်မှန်းပေးပါသည်။ ထပ်ခါတလဲလဲ ပြုပြင်မွမ်းမံခြင်း- နောက်တိုကင်ကို ခန့်မှန်းပြီး ၎င်းကို အစီအစဥ်တွင် ပေါင်းထည့်ခြင်း၏ လုပ်ငန်းစဉ်သည် မော်ဒယ်ရပ်တန့်သည့်မှတ်တိုင်သို့ ရောက်သည်အထိ ထပ်တလဲလဲလုပ်ဆောင်သည်။ တုံ့ပြန်မှုသည် အတိုင်းအတာတစ်ခုအထိ ရောက်သည့်အခါ၊ မော်ဒယ်သည် ဝါကျတစ်ခု သို့မဟုတ် စာပိုဒ်၏အဆုံးကို ကိုယ်စားပြုသည့် တိုကင်တစ်ခုကို ခန့်မှန်းသည်၊ သို့မဟုတ် အချက်ပြမှုတွင် ထည့်သွင်းထားသည့် ညွှန်ကြားချက်များကို ဖြည့်ဆည်းပေးသည့်အခါ ဖြစ်နိုင်သည်။ LLM လေ့ကျင့်ရေးတွင် ကန့်သတ်ချက်များ LLM တစ်ခုသည် တိုကင်တစ်ခုကို ခန့်မှန်းသောအခါ၊ ဆက်စပ်မှုအရ သင့်လျော်သော ရလဒ်များထွက်လာစေရန် ၎င်း၏အလေးချိန်အတွင်း ထည့်သွင်းထားသော ချုံ့ထားသောအသိပညာကို ထိရောက်စွာ ပြန်လည်ရယူပြီး အသုံးချနေပါသည်။ ဤနည်းအားဖြင့်၊ LLM လေ့ကျင့်ရေးသည် ဒေတာဘေ့စ်ချုံ့မှုကို မှန်စေသည်။ ဒေတာဘေ့စ်တစ်ခုသည် မကြာခဏဝင်ရောက်လေ့ရှိသည့်ဒေတာကို လျင်မြန်စွာပြန်လည်သိမ်းဆည်းရန် အကောင်းဆုံးပြင်ဆင်ထားသကဲ့သို့၊ LLM တစ်ခုသည် အချက်အလက်—သီးသန့်ပေါင်းစပ်ထားသောမှတ်ဉာဏ်များ—၎င်း၏အလေးချိန်များမှ အချက်အလက်များကို ပြန်လည်ရယူရန် ဒီဇိုင်းထုတ်ထားသည်။ ဤစွမ်းရည်က ၎င်းအား လေ့ကျင့်နေစဉ်အတွင်း ကြုံတွေ့ခဲ့ရသည့် အကျွမ်းတဝင်ရှိသော အကြောင်းအရာများအကြောင်း မေးမြန်းချက်များအတွက် တိကျသေချာသော တုံ့ပြန်မှုများကို ထုတ်ပေးနိုင်စေကာ၊ ကောင်းမွန်စွာ အညွှန်းကိန်းထားသော အချက်အလက်အတွက် ဒေတာဘေ့စ်ကို မေးမြန်းခြင်းကဲ့သို့ပင် ဖြစ်သည်။ သို့ရာတွင်၊ မော်ဒယ်သည် ရင်းနှီးမှုနည်းသော သို့မဟုတ် မထင်မရှား အကြောင်းအရာများနှင့် ကြုံတွေ့ရသောအခါတွင် ကန့်သတ်ချက်များ ရှိသည်။ ဥပမာအားဖြင့်၊ သမ္မာကျမ်းစာပါ တိကျသောစာပိုဒ်များအတွက် LLM ကို သင်တောင်းဆိုသောအခါ၊ ၎င်းသည် ၎င်းတို့ကို စကားလုံးအဖြစ် ကိုးကားထားသော်လည်း ၎င်းသည် လေ့ကျင့်ရေးကာလအတွင်း မလိုအပ်ဘဲ "သက်သေခံခြင်း" ဟူသော သဘောတရားကို မသုံးဆောင်နိုင်ပါ။ အရေးမပါသော။ ထိုသဘောအရ LLM သည် ဒေတာဘေ့စ်တစ်ခုနှင့် ဆင်တူသည်။ ဒေတာဘေ့စ်တစ်ခုသည် ၎င်းအတွင်းတွင် ပြတ်သားစွာ သိမ်းဆည်းထားသည့် ဒေတာများကိုသာ ပြန်ပေးနိုင်မည်ဖြစ်သောကြောင့် LLM သည် သင်တန်းကာလအတွင်း အကျယ်တဝင့် မမြင်ရသေးသော အကြောင်းအရာများကို ဖန်တီးရန် ရုန်းကန်နိုင်သည်။

ဟုတ်ပါတယ်၊ LLMs များသည် ရှာဖွေမှုထက် သက်သက်သာ "နားလည်" နိုင်စေမည့် ကမ္ဘာ့ပုံစံအတွင်း၌ ရှိနေသောကြောင့် ဤဥပမာ၏ ဘောင်ကိုကျော်လွန်ပါသည်။ သို့သော်၊ ဤပို၍ ရိုးရှင်းခြင်းသည် LLMs များကို အကြောင်းအရာများဖန်တီးရန် လေ့ကျင့်ပေးသည့်နည်းလမ်းတွင် အဓိကကန့်သတ်ချက်အချို့ကို နားလည်ရန် ကူညီပေးပါသည်။

LLM သင်တန်း၏နောက်ထပ်ကန့်သတ်ချက်များ ထို့အပြင်၊ လာမည့် တိုကင်ခန့်မှန်းမှုစနစ်တွင် စာသားဖန်တီးခြင်းသို့ ၎င်း၏အခြေခံချဉ်းကပ်မှုမှ ပေါက်ဖွားလာသော အခြားသော မွေးရာပါ ကန့်သတ်ချက်များရှိသည်။

ဆက်စပ် Window အရွယ်အစား- အဓိက const တစ်ခုRaints သည် မော်ဒယ်၏ ဆက်စပ်ဝင်းဒိုး အရွယ်အစား— ခန့်မှန်းချက်တစ်ခုပြုလုပ်သည့်အခါ မော်ဒယ်မှ ထည့်သွင်းစဉ်းစားနိုင်သည့် အများဆုံး စာသားပမာဏ (တိုကင်များ) ဖြစ်သည်။ GPT ၏ အစောပိုင်းဗားရှင်းများအပါအဝင် မော်ဒယ်များစွာအတွက်၊ ဤဝင်းဒိုးသည် ရှည်လျားသောစကားဝိုင်းများ သို့မဟုတ် စာရွက်စာတမ်းများပေါ်တွင် ရှည်လျားသောစကားဝိုင်းများ သို့မဟုတ် စာရွက်စာတမ်းများပေါ်တွင် ဆက်စပ်မှုကို ထိန်းသိမ်းထားရန် လုံလောက်စွာမကြီးမားပါ၊ ၎င်းသည် ရှည်လျားသောစာသားများ သို့မဟုတ် ရှုပ်ထွေးသောဆွေးနွေးမှုများတွင် ဆက်စပ်မှုဆုံးရှုံးသွားနိုင်သည်။ ယေဘူယျပြုခြင်း နှင့် တိကျမှု- ဤမော်ဒယ်များကို များပြားလှသော ဒေတာအတွဲများတွင် လေ့ကျင့်ထားသော်လည်း၊ ဤသင်တန်းမှ ယေဘုယျဖော်ပြနိုင်မှုစွမ်းရည်သည် တစ်ခါတစ်ရံတွင် ၎င်းတို့အား ယေဘူယျ သို့မဟုတ် မရေမတွက်နိုင်သော သက်ဆိုင်ရာ အကြောင်းအရာများ ထုတ်လုပ်ရန် ပို့ဆောင်ပေးနိုင်သည်။ ၎င်းတို့၏ လေ့ကျင့်ရေးဒေတာအပြင်တွင် အသေးစိတ်နားလည်မှု သို့မဟုတ် နောက်ဆုံးပေါ် အသိပညာ လိုအပ်သည့် အလွန်တိကျသော သို့မဟုတ် အချိုးအဆမတန်သော တုံ့ပြန်မှုများကို ဖန်တီးရာတွင် အမှတ်အသားကို လွဲချော်သွားနိုင်သည်။ ပြင်ပအသိပညာဝင်ရောက်ခွင့်မရှိခြင်း- နောက်တိုကင်ခန့်မှန်းမှုမော်ဒယ်များသည် ၎င်းတို့၏လေ့ကျင့်ရေးဒေတာအတွဲများအတွင်းပါရှိသော အချက်အလက်များကို ကန့်သတ်ထားသည်။ လေ့ကျင့်ရေးပြီးသည့်နောက် သတင်းအချက်အလက်အသစ်များကို ရယူခြင်း သို့မဟုတ် ပေါင်းစည်းခြင်း မပြုနိုင်ပါ၊ ဆိုလိုသည်မှာ ၎င်းတို့သည် မကြာသေးမီက ဖြစ်ရပ်များ၊ ရှာဖွေတွေ့ရှိမှုများ သို့မဟုတ် ခေတ်စားနေသော အကြောင်းအရာများကဲ့သို့ လျင်မြန်စွာ ခေတ်နောက်ကျသွားခြင်း သို့မဟုတ် လက်ရှိအကြောင်းအရာများ ကင်းမဲ့သွားနိုင်သည်။ ထပ်တလဲလဲဖြစ်နိုင်မှုနှင့် ကြိုတင်ခန့်မှန်းနိုင်မှု- နောက်တိုကင်ခန့်မှန်းမှု၏ အယ်လဂိုရီသမ်သဘာ၀သည် တစ်ခါတစ်ရံ ထပ်တလဲလဲ သို့မဟုတ် ကြိုတင်မှန်းဆနိုင်သော စာသားထုတ်လုပ်ခြင်းကို ဖြစ်ပေါ်စေနိုင်သည်။ မော်ဒယ်သည် ပေးထားသော ဆက်စပ်အကြောင်းအရာကို လိုက်လျောညီထွေဖြစ်စေသော ကိန်းဂဏန်းများ ပိုမိုဖြစ်နိုင်ခြေရှိသော တိုကင်များကို မကြာခဏ နှစ်သက်သောကြောင့်၊ ၎င်းသည် အကွက်များထဲသို့ ကျသွားနိုင်သည် သို့မဟုတ် ဘုံစကားစုများကို ပိုနှစ်သက်စေပြီး အထွက်၏ ကွဲပြားမှုကို လျှော့ချနိုင်သည်။ Retrieval augmented generation (RAG) ကို ရှင်းပြသည်။ အထက်ဖော်ပြပါအတိုင်း၊ LLM များသည် လေ့ကျင့်နေစဉ်အတွင်း ဒေတာ၏ မတူညီသောရှုထောင့်များအတွက် ၎င်းတို့သတ်မှတ်ပေးထားသည့် အလေးများပေါ်မူတည်၍ တုံ့ပြန်မှုများကို ထုတ်ပေးပါသည်။ ဤအလေးများသည် မော်ဒယ်မှ သွင်းသွင်းဒေတာ၏ အရေးကြီးသော သို့မဟုတ် သိသာထင်ရှားသော အစိတ်အပိုင်းများကို မည်မျှအထိ ရောင်ပြန်ဟပ်သနည်း။ အသုံးပြုသူ၏အမှာစာတွင် လေ့ကျင့်ရေးဒေတာတွင် သိသိသာသာ ကိုယ်စားပြုခြင်းမရှိသော အစိတ်အပိုင်းများပါ၀င်ပါက၊ မော်ဒယ်သည် တိကျသော သို့မဟုတ် သက်ဆိုင်ရာတုံ့ပြန်မှုကို မထုတ်ပေးနိုင်ပါ။

စကားဝိုင်းတစ်ခုသည် LLM ၏ဆက်စပ်ဝင်းဒိုးကိုကျော်လွန်သည့်အခါ သို့မဟုတ် LLM ၏ကိုယ်ပိုင်လေ့ကျင့်ရေးဒေတာအတွဲတစ်ခုရှိ သိသာထင်ရှားသောအလေးများကန့်သတ်ချက်ထက်ကျော်လွန်နေသည့်အခါ (ဆိုလိုသည်မှာ အသုံးပြုသူရှာဖွေနေသည့်အဖြေကိုအတိအကျပြန်မမှတ်မိနိုင်) မော်ဒယ်သည် ပုံမှန်အားဖြင့် ပြင်ပ vector ရှာဖွေမှုဒေတာဘေ့စ်ပေါ်တွင် အားကိုးနေပါသည်။ အသုံးပြုသူထံမှ အချက်ပြမှုတွင် ထည့်သွင်းနိုင်သည့် သက်ဆိုင်ရာ အကြောင်းအရာ သို့မဟုတ် လတ်ဆတ်သော အချက်အလက်ကို ရှာဖွေရန် ခွင့်ပြုသည်။ ဤလုပ်ငန်းစဉ်ကို retrieval augmented generation (RAG) ဟုခေါ်သည်။

"အောင်မြင်မှုဆီသို့ vector ရှာဖွေမှု" RAG လုပ်ငန်းစဉ်ကို vector ရှာဖွေမှုဒေတာဘေ့စ်မှတဆင့် ဖြစ်နိုင်ချေရှိသည်- ဒေတာကို vector များအဖြစ် သိမ်းဆည်းပြီး စီမံခန့်ခွဲသည့် အဆင့်မြင့်ဒေတာဘေ့စ်အမျိုးအစားဖြစ်သည်။ ဤ vector များသည် ရှုပ်ထွေးသော ဆက်နွယ်မှုနှင့် ရည်ညွှန်းချက်များကို ဖော်ပြရန်အတွက် ဒေတာ၏ အဓိပ္ပါယ်အချို့ကို ရှုထောင့်တစ်ခုစီက ဖမ်းယူပေးသည့် အတိုင်းအတာတစ်ခုစီတွင် အမြင့်ဘက်မြင်အာကာသအတွင်း ဒေတာကို ကိုယ်စားပြုသည်။ စာသားနှင့် ဘာသာစကား၏ ဆက်စပ်မှုတွင်၊ vector ရှာဖွေမှု ဒေတာဘေ့စ်များသည် စာသားကို ကိန်းဂဏာန်းပုံများအဖြစ်သို့ ပြောင်းလဲရန် မြှပ်သွင်းခြင်းကဲ့သို့သော နည်းပညာများကို အသုံးပြုသည်။ ဤပြောင်းလဲခြင်းစနစ်သည် ဤဘက်ပေါင်းစုံမှ အာကာသအတွင်း ၎င်းတို့၏ သက်ဆိုင်ရာ vector များကြား အကွာအဝေးများကို တွက်ချက်ခြင်းဖြင့် မတူညီသော စာသားအပိုင်းများကြားတွင် အဓိပ္ပါယ်ဆင်တူမှုများကို တိုင်းတာနိုင်စေပါသည်။

RAG ကာလအတွင်း၊ query (ဆိုလိုသည်မှာ LLM သို့ အသုံးပြုသူ၏ထည့်သွင်းမှု) နှင့် သိမ်းဆည်းထားသောဒေတာ (ဆောင်းပါးများ၊ စာရွက်စာတမ်းများ သို့မဟုတ် စာကြောင်းများကဲ့သို့) သည် စာသားထည့်သွင်းခြင်းကိုအသုံးပြု၍ vector များအဖြစ်သို့ ပြောင်းလဲသွားပါသည်။ ဤမြှပ်နှံမှုများသည် စာသားအချက်အလက်များကို ကိန်းဂဏာန်းများအဖြစ်သို့ ပြောင်းလဲပေးကာ အလားတူအဓိပ္ပာယ်များကို vector space ရှိ အနီးစပ်ဆုံးအမှတ်များဆီသို့ ပုံဖော်ထားသည်။ ထို့နောက် ဒေတာဘေ့စ်သည် စာသားများ၏ အဓိပ္ပါယ်များ မည်မျှဆက်စပ်နေကြောင်း ဆုံးဖြတ်ရန်အတွက် query vector နှင့် သိမ်းဆည်းထားသော data များ၏ vector များအကြား အကွာအဝေးများကို တွက်ချက်သည်။ ဒေတာဘေ့စ်သည် query vector နှင့် အနီးစပ်ဆုံးဖြစ်သော vector များကို ဒေတာအမှတ်များ (စာသားအကြောင်းအရာ) ကို ထုတ်ယူသည်။ ဆိုလိုသည်မှာ၊ ထည့်သွင်းမှုနှင့် အဓိပ္ပါယ်အရ အနီးစပ်ဆုံးဖြစ်သည့် ဒေတာများကို ထုတ်ယူသည်။ ဤအချက်များအား အကြောင်းအရာနှင့် အဓိပ္ပါယ်အရ "အနီးဆုံး အိမ်နီးချင်း" အဖြစ် သတ်မှတ်သည်။

ဤအနီးဆုံးအိမ်နီးချင်းများသည် LLM ၏ တိကျမှု၊ ဆက်စပ်မှု၊ ကြွယ်ဝမှုနှင့် LLM ၏ ရလဒ်အမျိုးမျိုးကို သိသာထင်ရှားစွာ မြှင့်တင်ပေးနိုင်သည့် ၎င်း၏ကိုယ်ပိုင်လေ့ကျင့်ရေးဒေတာအတွင်း ဝင်ရောက်ခွင့်မရှိသည့် ဆက်စပ်အချက်အလက်များကို ဆက်စပ်ပေးပါသည်။ Sam Altman သည် စံနမူနာပြ ပြုပြင်ခြင်း တစ်ခုတည်း မဟုတ်ဘဲ တီထွင်နေသော အေးဂျင့်များအတွက် RAG ကို အားကိုးကာ "vector search to success" ချဉ်းကပ်မှုအတွက် ထောက်ခံအားပေးခဲ့သည်။

ချိန်ညှိခြင်းအတွက် အခြားရွေးချယ်စရာတစ်ခုအနေဖြင့် RAG LLM ကို ကောင်းစွာချိန်ညှိခြင်းတွင် သီးခြားလုပ်ငန်းတာဝန်များအတွက် စွမ်းဆောင်ရည်မြှင့်တင်ရန် သို့မဟုတ် အချို့သော domains များတွင် နားလည်မှုတိုးတက်စေရန်အတွက် သီးခြားဒေတာအတွဲတစ်ခုအပေါ် ထပ်လောင်းလေ့ကျင့်မှုအပေါ် အခြေခံ၍ မော်ဒယ်၏အလေးချိန်ကို ချိန်ညှိခြင်းတွင် ပါဝင်ပါသည်။ ဆန်းသစ်တီထွင်မှု၏ အရှိန်အဟုန်ထက် ဤလုပ်ငန်းစဉ်သည် နှေးကွေးရုံသာမက၊ ဆိုလိုသည်မှာ ချိန်ညှိထားသော မော်ဒယ်များသည် ၎င်းတို့ကို အပ်ဒိတ်လုပ်ပြီးသည်နှင့် လျင်မြန်စွာ အသုံးမပြုတော့ကြောင်း ဆိုလိုသည်၊ ၎င်းသည် လတ်ဆတ်သောဒေတာပြဿနာကိုလည်း မဖြေရှင်းပေးပေ။

ဆန့်ကျင်ဘက်အားဖြင့်၊ RAG သည် လက်ထဲတွင်ရှိသော query နှင့်သက်ဆိုင်သည့် လက်ရှိသတင်းအချက်အလက်များကို ပြန်လည်ရယူရန် မော်ဒယ်အား ပြင်ပဒေတာဘေ့စ်များကို အချိန်နှင့်တပြေးညီ ဝင်ရောက်ကြည့်ရှုနိုင်စေပါသည်။ အရင်းခံမော်ဒယ်ကို မကြာသေးမီက မွမ်းမံပြင်ဆင်ထားခြင်း သို့မဟုတ် ကောင်းစွာပြင်ဆင်ထားခြင်းမရှိသေးသော်လည်း၊ နောက်ဆုံးပေါ်ဒေတာများပါဝင်သည့် တုံ့ပြန်မှုများကို ထုတ်ပေးနိုင်ပါသေးသည်။ မော်ဒယ်များသည် ဒေတာအသစ်နှင့် cha တို့ကို လိုက်လျောညီထွေဖြစ်အောင် လုပ်ဆောင်နိုင်သောကြောင့် မော်ဒယ်များသည် အချိန်ကြာကြာ ဆက်နွယ်နေပါသည်။