Vector search to success: สำรวจบทบาทของ RAG ในการพัฒนา LLMs ที่ซับซ้อน
ก่อนปี 2022 หากคุณต้องการระลึกถึงข้อความเฉพาะจากหนังสือเล่มโปรดของคุณหรือคำพูดจากภาพยนตร์ที่คุณเพิ่งดู โดยที่ไม่มีตัวงานอยู่ตรงหน้าคุณ คุณอาจจะหันไปพึ่งเครื่องมือค้นหา คุณจะกรอกคำค้นหาที่เป็นระบบ เลือกดูผลลัพธ์ที่ได้ ไปที่ลิงก์ SparkNotes หรือ IMDB ที่ดูเหมือนจะมีคำตอบ และหาข้อความที่คุณต้องการบนหน้านั้นภายในเวลาไม่กี่นาที แต่ตอนนี้ คุณเพียงแค่เปิด ChatGPT พิมพ์ "คำพูดที่โด่งดังที่สุดของ Terminator คืออะไร?" หรือ "เขียนข้อความเปิดเรื่องของ A Tale of Two Cities" และได้รับคำตอบที่ถูกต้องภายในไม่กี่วินาที
หนึ่งในการใช้งานที่ง่ายที่สุดสำหรับแบบจำลองภาษาขนาดใหญ่ (LLM) คือเป็นฐานข้อมูลความรู้ LLM ได้รับการฝึกฝนด้วยชุดข้อมูลขนาดใหญ่ที่อุดมไปด้วยข้อมูล ซึ่งอินเทอร์เฟซเช่น ChatGPT ทำให้ง่ายต่อการดึงข้อมูลออกมา เมื่อคุณใช้ ChatGPT เพื่อให้ส่งคืนเนื้อหาจากภาพยนตร์หรือหนังสือ ตัวอย่างเช่น คุณแค่ใช้ประโยชน์จากความสามารถของโมเดลในการจดจำข้อมูลที่ได้สัมผัสมาระหว่างการฝึก แต่ถ้าหากไม่ได้ฝึกด้วยบทของ Terminator หรือถ้าน้ำหนักไม่ได้ให้ความสำคัญกับผลงานของ Dickens ล่ะ? เพื่อให้ผลลัพธ์ที่แม่นยำและเกี่ยวข้องที่สุด แม้แต่การใช้งานที่ง่ายที่สุด เช่น การดึงข้อมูลพื้นฐาน LLM ต้องมีกลไกการทำดัชนีและการดึงข้อมูลที่ซับซ้อนซึ่งสามารถเข้าถึงข้อมูลได้กว้างขวางและแม่นยำ
เนื้อหาของ LLM ถูกสร้างขึ้นผ่านกระบวนการที่เรียกว่าการคาดเดาโทเค็นถัดไป ซึ่งทำให้มั่นใจได้ว่าการตอบกลับจะเหมาะสมตามบริบท หลากหลาย และสะท้อนถึงความเข้าใจแบบมนุษย์ในระดับหนึ่ง นี่คือวิธีการทำงานของการคาดเดาโทเค็นถัดไป ทีละขั้นตอน:
การประมวลผลอินพุต: เมื่อคุณพิมพ์พรอมต์หรือคำถาม อินพุตนั้นจะถูกแปลงเป็นโทเค็น ซึ่งคือคำหรือส่วนของคำ การเข้าใจบริบท: โมเดลจะดูโทเค็นที่คุณให้และพยายามเข้าใจบริบทตามการฝึกฝน ซึ่งรวมถึงทุกสิ่ง ตั้งแต่หัวข้อที่เกี่ยวข้องไปจนถึงโทนเสียงที่คุณอาจใช้ การคาดเดาโทเค็นถัดไป: โดยใช้บริบทที่เข้าใจ โมเดลจะคาดเดาว่าโทเค็นถัดไปที่น่าจะเป็นไปได้มากที่สุดคืออะไร มันไม่ได้เพียงแค่เดาโดยใช้คำก่อนหน้าโดยตรง แต่มันพิจารณาบริบททั้งหมดของบทสนทนาจนถึงตอนนั้น การเลือกโทเค็น: เมื่อคาดเดาโทเค็นถัดไปที่เป็นไปได้หลายๆ ตัวแล้ว มันจะเลือกหนึ่งในนั้น การเลือกนี้ขึ้นอยู่กับความน่าจะเป็น โดยโทเค็นที่มีแนวโน้มมากที่สุดที่จะมาถัดไปขึ้นอยู่กับข้อมูลที่โมเดลได้รับการฝึกฝน อย่างไรก็ตามควรทราบว่าที่นี่ก็มีความสุ่มอยู่บ้าง ซึ่งช่วยสร้างการตอบกลับที่มีความหลากหลายและฟังดูเป็นธรรมชาติมากขึ้น การสร้างเอาต์พุต: โทเค็นที่เลือกจะถูกแปลงกลับเป็นข้อความที่มนุษย์อ่านได้ หากคำตอบยังไม่สมบูรณ์ (ซึ่งมักจะเป็นเช่นนั้นหลังจากแค่โทเค็นแรก) กระบวนการจะทำซ้ำ โดยโทเค็นใหม่จะถูกเพิ่มเข้าไปในลำดับ และโมเดลจะคาดเดาโทเค็นถัดไปตามบริบทที่อัปเดตนี้ การปรับปรุงอย่างต่อเนื่อง: กระบวนการคาดเดาโทเค็นถัดไปและเพิ่มลงในลำดับจะทำซ้ำจนกว่าโมเดลจะถึงจุดหยุด ซึ่งอาจเป็นเมื่อการตอบกลับมีความยาวที่กำหนด โมเดลคาดเดาโทเค็นที่บ่งบอกถึงจุดสิ้นสุดประโยคหรือข้อความ หรือเมื่อมันทำตามคำแนะนำที่ฝังอยู่ในพรอมต์
เมื่อ LLM คาดเดาโทเค็น มันกำลังดึงและใช้ประโยชน์อย่างมีประสิทธิภาพจากความรู้ที่ถูกบีบอัดไว้ในน้ำหนักเพื่อสร้างเอาต์พุตที่เหมาะสมตามบริบท ในแง่นี้ การฝึกฝน LLM จะสะท้อนการบีบอัดฐานข้อมูล เช่นเดียวกับที่ฐานข้อมูลได้รับการปรับให้เรียกข้อมูลที่เข้าถึงบ่อยๆ ได้อย่างรวดเร็ว LLM ก็ได้รับการออกแบบให้ดึงข้อมูล เช่น ความทรงจำที่ถูกประมาณค่าแบบเฉพาะเจาะจง จากน้ำหนักของมัน ความสามารถนี้ทำให้มันสามารถสร้างการตอบกลับที่แม่นยำสำหรับคำถามเกี่ยวกับเนื้อหาที่คุ้นเคยที่เผชิญระหว่างการฝึก เหมือนกับการค้นหาข้อมูลในฐานข้อมูลสำหรับข้อมูลที่ทำดัชนีเป็นอย่างดี อย่างไรก็ตาม ข้อจำกัดจะเกิดขึ้นเมื่อโมเดลพบกับเนื้อหาที่ไม่คุ้นเคยหรือที่พบได้ยาก ตัวอย่างเช่น เมื่อคุณถาม LLM หาข้อความเฉพาะในพระคัมภีร์ไบเบิล มันจะอ้างอิงตามตัวอักษร แต่มันไม่สามารถอ้างอิงแนวคิดใด ๆ ได้ตามตัวอักษร หากไม่ได้ "เห็น" ซ้ำๆ ระหว่างการฝึก เนื่องจากน้ำหนักที่เชื่อมโยงกับแนวคิดนั้นไม่มากพอ ในแง่นี้ด้วย LLM ก็คล้ายกับฐานข้อมูล เช่นเดียวกับที่ฐานข้อมูลอาจส่งคืนเฉพาะข้อมูลที่ถูกจัดเก็บไว้อย่างชัดแจ้งเท่านั้น LLM อาจประสบปัญหาในการสร้างเนื้อหาในหัวข้อที่ไม่ได้เห็นมากนักระหว่างการฝึก
แน่นอนว่า LLM นั้นมีขอบเขตมากกว่าอุปมานี้ เนื่องจากมีโมเดลโลกภายในที่ช่วยให้ "เข้าใจ" สิ่งต่างๆ ได้เกินกว่าแค่การค้นหาเท่านั้น อย่างไรก็ตาม การลดทอนความซับซ้อนนี้ช่วยให้เราเข้าใจข้อจำกัดหลักๆ บางประการในวิธีที่ LLM ได้รับการฝึกฝนเพื่อสร้างเนื้อหา
ยิ่งไปกว่านั้น ระบบการทำนายโทเค็นถัดไปมีข้อจำกัดที่มาจากแนวทางพื้นฐานในการสร้างข้อความอื่น ๆ อีกด้วย:
ขนาดหน้าต่างบริบท: หนึ่งในข้อจำกัดหลักคือขนาดหน้าต่างบริบทของโมเดล ซึ่งเป็นปริมาณข้อความสูงสุด (ในหน่วยโทเค็น) ที่โมเดลสามารถพิจารณาเมื่อทำการทำนาย สำหรับหลายโมเดล รวมถึง GPT รุ่นก่อนๆ หน้าต่างนี้ไม่ใหญ่พอที่จะรักษาบริบทในการสนทนาหรือเอกสารยาวๆ ได้ ซึ่งอาจทำให้ความสอดคล้องของเนื้อหาที่ยาวขึ้นหรือการสนทนาที่ซับซ้อนซึ่งต้องการรักษาบริบทไว้นอกเหนือจากโทเค็นก่อนหน้าที่อยู่ติดกันหายไป การนำไปใช้ทั่วไปกับความเฉพาะเจาะจง: แม้ว่าโมเดลเหล่านี้จะได้รับการฝึกฝนจ
ากชุดข้อมูลขนาดใหญ่ แต่ความสามารถในการนำสิ่งที่ได้เรียนรู้ไปประยุกต์ใช้อาจทำให้สร้างเนื้อหาที่กว้างเกินไปหรือไม่ค่อยเกี่ยวข้อง พวกมันอาจพลาดที่จะสร้างการตอบกลับที่มีรายละเอียดสูงหรือมีนัยยะซับซ้อน ซึ่งต้องการความเข้าใจอย่างถ่องแท้หรือความรู้ที่ทันสมัยนอกเหนือจากข้อมูลที่ใช้ในการฝึก การขาดการเข้าถึงความรู้ภายนอก: โมเดลการทำนายโทเค็นถัดไปถูกจำกัดอยู่กับข้อมูลที่มีอยู่ในชุดข้อมูลที่ใช้ในการฝึก พวกมันไม่สามารถเข้าถึงหรือผนวกข้อมูลใหม่หลังการฝึกได้ ซึ่งหมายความว่าพวกมันสามารถล้าสมัยหรือขาดบริบทปัจจุบันได้อย่างรวดเร็ว เช่น เหตุการณ์ล่าสุด การค้นพบ หรือหัวข้อที่กำลังได้รับความนิยม ความซ้ำซากและความสามารถในการคาดเดา: ลักษณะอัลกอริทึมของการทำนายโทเค็นถัดไปบางครั้งอาจส่งผลให้เกิดการสร้างข้อความที่ซ้ำซากหรือคาดเดาได้ เนื่องจากโมเดลมักชอบโทเค็นที่มีแนวโน้มทางสถิติมากกว่าที่จะตามมาตามบริบท มันอาจตกอยู่ในวงจรหรือชอบวลีทั่วไป ซึ่งลดความหลากหลายของเอาต์พุต
ดังที่กล่าวมาข้างต้น LLM สร้างการตอบสนองตามน้ำหนักที่กำหนดให้กับแง่มุมต่างๆ ของข้อมูลระหว่างการฝึก น้ำหนักเหล่านี้สะท้อนให้เห็นว่าองค์ประกอบต่างๆ ของข้อมูลอินพุตมีความสำคัญหรือน่าสนใจอย่างไรในมุมมองของโมเดล หากพรอมต์ของผู้ใช้มีองค์ประกอบที่ไม่ได้ถูกแสดงอย่างมีนัยสำคัญในข้อมูลการฝึก โมเดลอาจล้มเหลวในการสร้างการตอบสนองที่ถูกต้องหรือเกี่ยวข้อง
เมื่อการสนทนาเกินขนาดหน้าต่างบริบทของ LLM หรือเมื่อพรอมต์เกินขีดจำกัดของน้ำหนักที่มีนัยสำคัญในชุดข้อมูลการฝึกของ LLM เอง (หมายความว่ามันไม่สามารถระลึกได้อย่างแม่นยำว่าผู้ใช้กำลังมองหาคำตอบอะไร) โมเดลมักจะอาศัยฐานข้อมูลการค้นหาเวกเตอร์ภายนอก ซึ่งช่วยให้มันสามารถค้นหาบริบทที่เกี่ยวข้องหรือข้อมูลใหม่ที่สามารถเพิ่มเข้าไปในพรอมต์จากผู้ใช้ได้ กระบวนการนี้เรียกว่า retrieval augmented generation (RAG)
กระบวนการ RAG เป็นไปได้ด้วยฐานข้อมูลการค้นหาเวกเตอร์: ฐานข้อมูลขั้นสูงประเภทหนึ่งที่จัดเก็บและจัดการข้อมูลเป็นเวกเตอร์ เวกเตอร์เหล่านี้แสดงข้อมูลในพื้นที่หลายมิติ โดยแต่ละมิติจะจับลักษณะบางอย่างของความหมายของข้อมูล ช่วยให้สามารถแสดงความสัมพันธ์ที่ซับซ้อนและคุณลักษณะได้ ในบริบทของข้อความและภาษา ฐานข้อมูลการค้นหาเวกเตอร์ใช้เทคนิคต่างๆ เช่น word embeddings ในการแปลงข้อความให้เป็นเวกเตอร์ตัวเลข การแปลงนี้ทำให้ระบบสามารถวัดความคล้ายคลึงเชิงความหมายระหว่างชิ้นข้อความต่างๆ ได้ โดยการคำนวณระยะห่างระหว่างเวกเตอร์ที่สอดคล้องกันในพื้นที่หลายมิตินี้
ระหว่างการทำ RAG ทั้งคำค้นหา (เช่น ข้อมูลที่ผู้ใช้ป้อนเข้าสู่ LLM) และข้อมูลที่จัดเก็บไว้ (เช่น บทความ เอกสาร หรือประโยค) จะถูกแปลงให้เป็นเวกเตอร์โดยใช้ text embeddings การ embed ข้อความเหล่านี้จะแปลงข้อมูลข้อความให้เป็นเวกเตอร์ตัวเลข โดยความหมายที่คล้ายกันจะถูกแมปไปยังจุดใกล้เคียงกันในปริภูมิเวกเตอร์ จากนั้นฐานข้อมูลจะคำนวณระยะห่างระหว่างเวกเตอร์คำค้นหาและเวกเตอร์ของข้อมูลที่จัดเก็บไว้ เพื่อกำหนดว่าความหมายของข้อความเกี่ยวข้องกันอย่างใกล้ชิดเพียงใด ฐานข้อมูลจะดึงข้อมูล (เนื้อหาข้อความ) ที่เวกเตอร์ของมันใกล้เคียงกับเวกเตอร์คำค้นหามากที่สุด นั่นคือข้อมูลที่มีความหมายคล้ายคลึงกับอินพุตมากที่สุด ข้อมูลเหล่านี้ถือเป็น "เพื่อนบ้านที่ใกล้ที่สุด" ในแง่ของบริบทและความหมาย
เพื่อนบ้านที่ใกล้ที่สุดเหล่านี้ให้ข้อมูลเพิ่มเติมที่เกี่ยวข้องกับบริบทและเป็นปัจจุบัน ซึ่ง LLM พื้นฐานอาจไม่สามารถเข้าถึงได้ภายในข้อมูลการฝึกของตัวเอง ซึ่งสามารถปรับปรุงความถูกต้อง ความเกี่ยวข้อง ความสมบูรณ์ และความหลากหลายของเอาต์พุตของ LLM ได้อย่างมาก Sam Altman และคนอื่นๆ ได้สนับสนุนแนวทาง "ค้นหาเวกเตอร์เพื่อความสำเร็จ" ซึ่งใช้ RAG สำหรับการพัฒนาเอเจนต์ แทนที่จะใช้การ fine-tuning โมเดลเพียงอย่างเดียว
การ fine-tuning LLM จะเกี่ยวข้องกับการปรับน้ำหนักของโมเดลตามการฝึกเพิ่มเติมบนชุดข้อมูลเฉพาะ เพื่อเพิ่มประสิทธิภาพสำหรับงานเฉพาะหรือปรับปรุงความเข้าใจในโดเมนบางส่วน กระบวนการนี้ไม่เพียงแต่ช้ากว่าอัตราการสร้างนวัตกรรมเท่านั้น ซึ่งหมายความว่าโมเดลที่ fine-tune แล้วจะล้าสมัยเกือบจะเร็วเท่ากับที่มีการอัปเดต แต่ยังไม่ได้แก้ไขปัญหาของข้อมูลใหม่อีกด้วย
ในทางตรงกันข้าม RAG ช่วยให้โมเดลสามารถเข้าถึงฐานข้อมูลภายนอกแบบเรียลไทม์เพื่อดึงข้อมูลล่าสุดที่เกี่ยวข้องกับคำถามนั้นๆ ได้ แม้ว่าโมเดลที่เป็นพื้นฐานจะไม่ได้รับการอัปเดตหรือ fine-tune เมื่อเร็วๆ นี้ แต่ก็ยังสามารถสร้างการตอบกลับที่มีข้อมูลล่าสุดได้ โมเดลยังคงทันสมัยอยู่ได้นานขึ้น เพราะสามารถปรับให้เข้ากับข้อมูลใหม่และบริบทที่เปลี่ยนแปลงไปผ่านการดึงข้อมูลจากแหล่งข้อมูลภายนอกได้
RAG เป็นตัวเชื่อมช่องว่างระหว่างการเรียนรู้เชิงลึกและเทคนิคการดึงข้อมูลแบบดั้งเดิมได้อย่างมีประสิทธิภาพ โดยการทำเช่นนั้น มันจะใช้จุดแข็งของทั้งสองอย่าง คือความเข้าใจบริบทอย่างทรงพลังของการเรียนรู้เชิงลึก และความแม่นยำของการดึงข้อมูล แนวทางลูกผสมนี้ช่วยให้ LLM สร้างการตอบกลับที่ถูกต้อง ละเอียด และอุดมไปด้วยบริบทมากขึ้น
นอกเหนือจากการ fine-tuning แล้ว RAG ยังแก้ไขปัญหาที่เกี่ยวข้องกับ LLM มาตรฐานที่กล่าวถึงก่อนหน้านี้ด้วย:
ขยายความเข้าใจบริบท: RAG ขยายหน้าต่างบริบทของ LLM แบบดั้งเดิม โดยการดึงข้อมูลที่เป็นปัจจุบันหรือมีรายละเอียดที่ช่วยเสริมการตอบกลับของโมเดล
เพิ่มความเฉพาะเจาะจงและความถูกต้อง: แทนที่จะพึ่งพาแต่รูปแบบที่เรียนรู้ระหว่างการฝึกเพียงอย่างเดียว RAG ช่วยให้โมเดลใส่รายละเอียดเฉพาะจากเอกสารที่ดึงมาลงในการตอบกลับได้ ทำให้ไม่เพียงแต่ถูกต้องมากขึ้น แต่ยังตรงกับคำถามเฉพาะที่ต้องการมากขึ้น
บรรเทาความซ้ำซากและความสามารถในการคาดเดา: โดยการดึงชุดข้อมูลที่แตกต่างกันสำหรับแต่ละคำถามแบบไดนามิก RAG สามารถปรับเปลี่ยนการตอบสนองของโมเดลได้อย่างมาก ความผันแปรนี้ช่วยลดความซ้ำซากและความสามารถในการคาดเดาที่มักพบในโมเดลที่สร้างแบบบริสุทธิ์ เนื่องจากข้อมูลภายนอกนำสำนวนและรายละเอียดใหม่ ๆ เข้ามาในบทสนทนา
อย่างไรก็ตาม RAG มาพร้อมกับความท้าทายของตัวเอง นั่นคือความล่าช้าและการขาดปัญญา ลองนึกถึงการสนทนาของแชทบอทแบบเป็นรอบ ซึ่งผู้ใช้ส่งพรอมต์ LLM สร้างโทเค็นสองสามตัวเพื่อบ่งชี้ว่าต้องการบริบทเพิ่มเติม ฐานข้อมูลการค้นหาเวกเตอร์จะดึงบริบทที่เป็นเพื่อนบ้านที่ใกล้ที่สุดผ่านพรอมต์ข้อมูลของผู้ใช้ และทั้งสองส่วนจะถูกส่งไปยัง LLM อีกครั้งเพื่ออนุมาน จากนั้นก็ถึงตาผู้ใช้ที่จะตอบกลับ และต่อไปเรื่อย ๆ
ในระบบนี้ พรอมต์ของผู้ใช้แต่ละรายการจะเริ่มต้นการดำเนินการแบบหลายขั้นตอน โดยแต่ละขั้นตอนจะเพิ่มเวลาการประมวลผลรวม ความเร็วของกระบวนการทั้งหมดยังขึ้นอยู่กับความเร็วในการดึงบริบทที่จำเป็นจากฐานข้อมูลการค้นหาเวกเตอร์ด้วย หากคำถามที่ส่งไปยังฐานข้อมูลมีความซับซ้อน หรือฐานข้อมูลเองมีขนาดใหญ่และไม่ได้รับการจัดทำดัชนีอย่างเหมาะสม การดึงข้อมูลนี้อาจทำให้เกิดความล่าช้าอย่างมาก นอกจากนี้ โดยเฉพาะอย่างยิ่งในการสนทนาที่ซับซ้อนมากขึ้น ลำดับการสร้างและการดึงข้อมูลนี้อาจต้องทำซ้ำหลายครั้งเพื่อปรับปรุงการตอบสนองให้เพียงพอ วงจรการทำซ้ำนี้อาจทำให้เกิดความล่าช้าเพิ่มขึ้น ส่งผลให้การโต้ตอบช้ากว่าที่เป็นไปได้ด้วยโมเดลที่สร้างแบบบริสุทธิ์ซึ่งอาศัยข้อมูลภายในเท่านั้น
นอกจากนี้ ความฉลาดของ LLM ที่เสริมด้วย RAG ยังขึ้นอยู่กับคุณภาพและความเกี่ยวข้องของข้อมูลที่ดึงมาจากฐานข้อมูลการค้นหาเวกเตอร์อย่างมาก หากเนื้อหาในฐานข้อมูลไม่ครอบคลุม ไม่ทันสมัย หรือไม่ได้รับการดูแลเป็นอย่างดี ประโยชน์ของข้อมูลที่ดึงมาอาจมีจำกัด ส่งผลกระทบต่อความฉลาดโดยรวมของการตอบสนอง
แม้ว่าจะมีการดึงข้อมูลภายนอกที่มีคุณภาพสูง ความท้าทายยังคงอยู่ที่ว่าจะรวมข้อมูลนี้เข้ากับกรอบการตอบสนองที่มีอยู่ของ LLM ได้อย่างมีประสิทธิภาพอย่างไร โมเดลต้องไม่เพียงแต่รวมข้อมูลภายนอกนี้เท่านั้น แต่ต้องทำในลักษณะที่เหมาะสมและสอดคล้องกับบริบท ความไม่สอดคล้องกันระหว่างการฝึกของโมเดลและลักษณะของข้อมูลภายนอกอาจนำไปสู่การตอบสนองที่ถูกต้องในทางเทคนิค แต่ไม่สอดคล้องกับบริบท
LLM ในยุคต่อไปน่าจะผสมผสาน RAG แบบเวกเตอร์เสิร์ชและวิธีการฝึก/ปรับแต่งแบบดั้งเดิมเข้าด้วยกัน พร้อมกับการประมวลผลข้อมูลที่มีโครงสร้าง (เช่น ฐานข้อมูล SQL ของข้อมูลตลาดการเงินแบบดั้งเดิมและข่าวทางการเงินที่เกี่ยวข้อง) แนวคิดของการมีผู้ให้บริการ LLM 'อยู่ที่นี่' และฐานข้อมูลการค้นหาเวกเตอร์แยกต่างหาก 'อยู่ที่นั่น' จะรวมกันผ่านโมเดลใหม่ที่ขยายหน่วยความจำการทำงานแบบมีดัชนีไปยัง SSD ในเครื่องที่มีบริบทแบบเวกเตอร์หลายเทราไบต์
Space and Time ได้ส่งมอบ Proof of SQL ซึ่งเป็นหลักฐาน ZK ที่ตรวจสอบความถูกต้องและการป้องกันการเปลี่ยนแปลงโดยไม่ได้รับอนุญาตของการประมวลผลฐานข้อมูล SQL ให้กับลูกค้าแล้ว และเมื่อเร็วๆ นี้ได้ส่งมอบ Proof of Vector Search ซึ่งทำเช่นเดียวกันสำหรับการดึงข้อมูลการค้นหาเวกเตอร์ หลักฐานใหม่เหล่านี้เปิดทางสู่อนาคตที่ LLM สามารถรวมบริบทใหม่ เข้าถึงข้อมูลที่กว้างขึ้นและมีนัยยะซับซ้อนมากขึ้นแบบเรียลไทม์ และรวมการประมวลผลข้อมูลที่มีโครงสร้างเพื่อให้ได้ผลวิเคราะห์ที่ลึกซึ้งยิ่งขึ้น ทั้งหมดนี้ในลักษณะที่สามารถติดตามและตรวจสอบได้ ความก้าวหน้าเหล่านี้จะขยายขอบเขตของการใช้งาน LLM ในท้ายที่สุด โดยขยายประโยชน์ของพวกมันในภาคส่วนที่พึ่งพาข้อมูลล่าสุดอย่างหนัก เช่น การบริการทางการเงิน การรวบรวมข่าว และการประเมินความเสี่ยง ส่งผลให้เกิดคลื่นลูกใหม่ของนวัตกรรมที่ขับเคลื่อนด้วย AI ต่อไป
บทความนี้ถูกแปลจาก: Vector Search to Success ที่ถูกเขียนโดย Scott Dykstra