Fogalomtár

Többlépéses következtetés

Mi a(z) Többlépéses következtetés?

A többlépéses következtetés (multi-hop reasoning) az MI-rendszer azon képessége, hogy egy kérdést több egymást követő következtetéssel válaszoljon meg, gyakran különböző forrásokból származó információkat egyesítve. Példa: a „Melyik részleget vezeti az X projekt felelőse?” kérdés először a felelős személy, majd az ő részlegének azonosítását igényli. Az ilyen kérdések a keresőrendszerek és a RAG-rendszerek számára nehezek, mert minden köztes lépést helyesen kell megtalálni és összekapcsolni.

Témák

következtetés
kérdés-felelet
RAG

Próbálja ki a KI.ordót

Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.

Demó indítása

← Minden fogalom

Kapcsolódó fogalmak

Visszakeresésalapú generálás (RAG)

A visszakeresésalapú generálás a keresést a szöveggeneráláshoz kapcsolja: a válasz előtt a rendszer egy tudásgyűjteményben – például kézikönyvekben, irányelvekben vagy GYIK-ekben – releváns részleteket keres, és ezeket kontextusként átadja a nyelvi modellnek. A válasz így naprakész, vállalatspecifikus tartalmakon alapul, nem csak a modell tanítási tudásán. Ez csökkenti a kitalált állításokat, nyomon követhetővé teszi a forrásokat, és újratanítás nélküli frissítést tesz lehetővé.

RAG
tudáskeresés
+1

Kérdésmegválaszolás

A kérdésmegválaszolás (Question Answering, QA) a természetesnyelv-feldolgozás egyik területe, ahol a rendszer a hétköznapi nyelven feltett kérdésekre közvetlenül válaszol, ahelyett hogy találati listát adna. A modern rendszerek releváns szövegrészleteket keresnek egy tudásbázisban, és ezekből állítják össze a választ, lehetőleg forrásmegjelöléssel. Tipikus felhasználás az ügyfélszolgálat, a belső tudásbázisok és a kézikönyvek – például amikor a munkavállalói kézikönyvtől azt kérdezzük: „Hány nap szabadság jár az első évben?”

NLP
Tudásmenedzsment
+1

Sablon

LazyGraphRAG

A LazyGraphRAG a gráfalapú visszakeresésalapú generálás egyik megközelítése, amelyet a Microsoft Research mutatott be 2024-ben. A GraphRAG-gal ellentétben nem hagyja, hogy egy nyelvi modell összefoglalókat készítsen az indexelés során; ehelyett klasszikus természetesnyelv-feldolgozással azonosítja a fogalmakat és együttes előfordulásukat, a nyelvi modellt pedig csak a lekérdezés idején használja. A Microsoft szerint ez az indexelési költségeket az alap vektoros RAG szintjére csökkenti. Különösen alkalmas olyan kérdésekre, amelyek nagy dokumentumgyűjtemények áttekintését igénylik.

RAG
tudásgráf
+1

Modelllánc

A modelllánc azt jelenti, hogy több MI-modellt vagy MI-lépést kapcsolunk egymás után úgy, hogy az egyik lépés kimenete a következő bemenete lesz. Az összetett feladatok így jól kezelhető, egyenként ellenőrizhető és javítható részfeladatokra bonthatók. Példa: az egyik lépés összefoglal egy ügyfélmegkeresést, a második besorolja egy részlegbe, a harmadik megfogalmazza a választ.

orkesztráció
munkafolyamatok
+1