검색 증강 생성입니다.
그것은 무엇이며, 모든 AI 기가브레인이 그것에 대해 이야기하는 이유는 무엇입니까?@주임 부이들RAG, 그 과제와 한계, 미세 조정의 대안으로 채택되고 있는 이유, 그리고 이 SxT 블로그의 차세대 LLM은 어떤 모습일지에 대해 자세히 설명합니다.
https://spaceandtime.io/blog/vector-search-to-successLLM은 훈련받은 데이터를 기반으로 응답을 생성합니다.
LLM에게 메시지를 표시하면 입력 내용을 받아 상황을 파악한 다음 여러 훈련 데이터 포인트에 할당된 가중치 또는 중요도 수준을 기반으로 LLM이 예측하는 가장 관련성이 높은 정보를 검색합니다.
당연히, 이것은 그 응답이 훈련 데이터 세트에 있는 것으로 제한된다는 것을 의미합니다. 셰익스피어나 성경을 인용하라고 하면 문제가 되지 않지만, 어젯밤에 있었던 대통령 연설을 인용하라고 하면 문제가 되지 않습니다.
미세 조정을 한다고 해서 문제가 해결되는 것도 아닌데, 왜냐하면 과정이 너무 느려서 모델이 업데이트되는 만큼 빨리 쓸모가 없어지기 때문입니다.
LLM은 실시간으로 새로운 데이터에 접근할 수 있는 방법이 필요합니다.
거기서 RAG가 들어옵니다.응답이 LLM이 훈련받은 것 이상의 데이터를 필요로 할 때, 그것은 관련된 컨텍스트 또는 더 나은 응답을 생성하는 데 도움이 되는 새로운 데이터를 수집할 수 있도록 하는 외부 데이터베이스를 활용합니다.
이 프로세스는 검색 증강 생성 또는 RAG로 알려져 있습니다.
RAG는 벡터 검색 데이터베이스라는 특수한 유형의 데이터베이스에 의존합니다.
또한 공간과 시간은 벡터 검색의 증명을 개척하여 LLM이 추가 컨텍스트와 새로운 데이터를 확인 가능한 방법으로 검색할 수 있도록 했습니다✅
차세대 LLM을 구축하고 벡터 검색을 통해 성공합니다. 공간과 시간에 의해 구동됩니다. 🔋