Multi-hop reasoning er et AI-systems evne til at besvare et spørgsmål gennem flere på hinanden følgende slutninger, ofte ved at kombinere oplysninger fra forskellige kilder. Eksempel: »Hvilken afdeling ledes af den person, der er ansvarlig for projekt X?« kræver først, at man finder den ansvarlige person og derefter vedkommendes afdeling. Den slags spørgsmål er krævende for søgnings- og RAG-systemer, fordi hvert mellemtrin skal findes og kobles korrekt.
Retrieval-augmented generation kombinerer søgning med tekstgenerering: før svaret søger systemet i en vidensamling – f.eks. manualer, politikker eller FAQ'er – efter relevante passager og giver dem til sprogmodellen som kontekst. Svaret bygger dermed på aktuelt, virksomhedsspecifikt indhold og ikke kun på modellens træningsviden. Det reducerer opfundne udsagn, gør kilder sporbare og muliggør opdateringer uden gentræning.
Spørgsmål-svar (question answering, QA) er et område inden for naturlig sprogbehandling, hvor et system besvarer spørgsmål stillet i dagligdags sprog direkte i stedet for at returnere en liste med søgeresultater. Moderne systemer leder efter relevante passager i en vidensbase og sammensætter et svar ud fra dem, helst med en kildehenvisning. Typiske anvendelser er kundeservice, interne vidensbaser og manualer – f.eks. at spørge personalehåndbogen: 'Hvor mange feriedage får jeg i mit første år?'
LazyGraphRAG er en tilgang til grafbaseret retrieval-augmented generation, som Microsoft Research præsenterede i 2024. I modsætning til GraphRAG lader den ikke en sprogmodel skabe resuméer under indeksering; i stedet identificerer den begreber og deres samforekomster med klassisk naturlig sprogbehandling, og sprogmodellen bruges først på forespørgselstidspunktet. Ifølge Microsoft bringer det indekseringsomkostningerne ned på niveau med almindelig vektor-RAG. Den egner sig især til spørgsmål, der kræver overblik over store dokumentsamlinger.
Modelkædning betyder, at flere AI-modeller eller AI-trin forbindes i rækkefølge, så outputtet fra ét trin bliver input til det næste. Komplekse opgaver kan dermed opdeles i overskuelige delopgaver, som kan kontrolleres og forbedres enkeltvis. Eksempel: ét trin opsummerer en kundehenvendelse, et andet fordeler den til en afdeling, og et tredje udarbejder svaret.
