Rozumowanie wieloetapowe to zdolność systemu AI do udzielenia odpowiedzi na pytanie poprzez kilka następujących po sobie wnioskowań, często łącząc informacje z różnych źródeł. Przykład: pytanie „Którym działem kieruje osoba odpowiedzialna za projekt X?” wymaga najpierw ustalenia osoby odpowiedzialnej, a potem jej działu. Takie pytania są wymagające dla systemów wyszukiwania i RAG, ponieważ każdy krok pośredni musi zostać poprawnie znaleziony i powiązany.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoGenerowanie wspomagane wyszukiwaniem łączy wyszukiwanie z generowaniem tekstu: przed udzieleniem odpowiedzi system przeszukuje zbiór wiedzy – na przykład instrukcje, regulaminy wewnętrzne lub FAQ – w poszukiwaniu istotnych fragmentów i przekazuje je modelowi językowemu jako kontekst. Odpowiedź opiera się więc na aktualnych treściach specyficznych dla firmy, a nie wyłącznie na wiedzy treningowej modelu. Ogranicza to zmyślone stwierdzenia, umożliwia prześledzenie źródeł i pozwala na aktualizacje bez ponownego trenowania.
Odpowiadanie na pytania (question answering, QA) to dziedzina przetwarzania języka naturalnego, w której system odpowiada bezpośrednio na pytania zadane językiem potocznym, zamiast zwracać listę wyników wyszukiwania. Nowoczesne systemy szukają trafnych fragmentów w bazie wiedzy i układają z nich odpowiedź, najlepiej ze wskazaniem źródła. Typowe zastosowania to obsługa klienta, wewnętrzne bazy wiedzy i instrukcje – na przykład pytanie do regulaminu pracy: „Ile dni urlopu przysługuje mi w pierwszym roku?”
LazyGraphRAG to podejście do generowania wspomaganego wyszukiwaniem opartego na grafach, przedstawione przez Microsoft Research w 2024 roku. W odróżnieniu od GraphRAG nie każe modelowi językowemu tworzyć streszczeń podczas indeksowania; zamiast tego identyfikuje pojęcia i ich współwystępowanie za pomocą klasycznego przetwarzania języka naturalnego, a model językowy jest używany dopiero w momencie zapytania. Według Microsoftu obniża to koszty indeksowania do poziomu podstawowego wektorowego RAG. Szczególnie nadaje się do pytań wymagających przeglądu dużych zbiorów dokumentów.
Łańcuchowanie modeli oznacza łączenie kilku modeli AI lub kroków AI w sekwencję, tak aby wynik jednego kroku stawał się danymi wejściowymi następnego. Złożone zadania można w ten sposób podzielić na mniejsze zadania cząstkowe, które da się osobno sprawdzać i ulepszać. Przykład: jeden krok streszcza zapytanie klienta, drugi przypisuje je do działu, a trzeci przygotowuje odpowiedź.
