Речник

Разсъждение на няколко стъпки (multi-hop)

Какво е Разсъждение на няколко стъпки (multi-hop)?

Разсъждението на няколко стъпки (multi-hop) е способността на дадена система с ИИ да отговори на въпрос чрез няколко последователни извода, като често съчетава информация от различни източници. Пример: „Кой отдел се ръководи от човека, отговорен за проект X?“ изисква първо да се установи отговорното лице, а след това неговият отдел. Такива въпроси са предизвикателство за системите за търсене и RAG, защото всяка междинна стъпка трябва да бъде намерена и свързана правилно.

Теми

разсъждение
отговаряне на въпроси
RAG

Изпробвайте KI.ordo

Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.

Стартирайте демото

← Всички термини

Свързани термини

Генериране, допълнено с извличане (RAG)

Генерирането, допълнено с извличане (Retrieval-augmented generation), съчетава търсене с генериране на текст: преди да отговори, системата търси в колекция от знания – например ръководства, правилници или често задавани въпроси – подходящи пасажи и ги подава на езиковия модел като контекст. Така отговорът се основава на актуално съдържание, специфично за компанията, а не само на знанията от обучението на модела. Това намалява измислените твърдения, прави източниците проследими и позволява актуализации без повторно обучение.

RAG
търсене в знанията
+1

Отговаряне на въпроси

Отговарянето на въпроси (question answering, QA) е област на обработката на естествен език, в която системата отговаря директно на въпроси, зададени на разговорен език, вместо да връща списък с резултати от търсене. Съвременните системи търсят релевантни откъси в база знания и съставят отговор от тях, в идеалния случай със сочене на източник. Типични приложения са обслужването на клиенти, вътрешните бази знания и ръководствата – например въпросът към служебния наръчник „Колко дни отпуск имам през първата година?“

NLP
Управление на знанията
+1

Шаблон

LazyGraphRAG

LazyGraphRAG е подход към базирания на графи retrieval-augmented generation, представен от Microsoft Research през 2024 г. За разлика от GraphRAG, той не кара езиков модел да създава резюмета по време на индексирането; вместо това определя понятията и съвместната им поява чрез класическа обработка на естествен език, а езиковият модел се използва само по време на заявката. Според Microsoft така разходите за индексиране падат до нивото на обикновения векторен RAG. Подходът е особено подходящ за въпроси, които изискват общ преглед на големи колекции от документи.

RAG
Граф на знанията
+1

Верижно свързване на модели

Верижното свързване на модели означава последователно свързване на няколко модела с ИИ или стъпки с ИИ, така че резултатът от една стъпка да стане вход за следващата. Така сложните задачи могат да се разделят на обозрими подзадачи, които могат да се проверяват и подобряват поотделно. Пример: една стъпка резюмира клиентско запитване, втора го насочва към съответния отдел, а трета изготвя отговора.

оркестрация
потоци
+1