Raționamentul multi-hop este capacitatea unui sistem de IA de a răspunde la o întrebare prin mai multe inferențe succesive, adesea combinând informații din surse diferite. Exemplu: „Ce departament este condus de persoana responsabilă de proiectul X?” cere mai întâi identificarea persoanei responsabile și apoi a departamentului ei. Astfel de întrebări sunt dificile pentru sistemele de căutare și RAG, deoarece fiecare pas intermediar trebuie găsit și legat corect.
Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.
Porniți demo-ulGenerarea augmentată prin regăsire combină căutarea cu generarea de text: înainte de a răspunde, sistemul caută într-o colecție de cunoștințe – de exemplu manuale, regulamente sau FAQ-uri – pasajele relevante și le transmite modelului lingvistic drept context. Răspunsul se bazează astfel pe conținut actual, specific companiei, și nu doar pe cunoștințele de antrenare ale modelului. Aceasta reduce afirmațiile inventate, face sursele verificabile și permite actualizări fără reantrenare.
Răspunsul la întrebări (question answering, QA) este un domeniu al procesării limbajului natural în care un sistem răspunde direct la întrebări puse în limbaj de zi cu zi, în loc să returneze o listă de rezultate de căutare. Sistemele moderne caută pasaje relevante într-o bază de cunoștințe și compun din ele un răspuns, ideal cu trimitere la sursă. Utilizări tipice sunt serviciul clienți, bazele de cunoștințe interne și manualele – de exemplu, întrebarea adresată regulamentului intern: „Câte zile de concediu primesc în primul an?”
LazyGraphRAG este o abordare a retrieval-augmented generation bazate pe grafuri, prezentată de Microsoft Research în 2024. Spre deosebire de GraphRAG, nu pune un model lingvistic să creeze rezumate în timpul indexării; în schimb, identifică conceptele și co-apariția lor prin procesare clasică a limbajului natural, iar modelul lingvistic este folosit abia în momentul interogării. Potrivit Microsoft, aceasta aduce costurile de indexare la nivelul RAG vectorial de bază. Este potrivită în special pentru întrebările care cer o privire de ansamblu asupra unor colecții mari de documente.
Înlănțuirea modelelor înseamnă conectarea în serie a mai multor modele sau pași de IA, astfel încât rezultatul unui pas să devină intrarea următorului. Sarcinile complexe pot fi astfel descompuse în subsarcini ușor de gestionat, care pot fi verificate și îmbunătățite individual. Exemplu: un pas rezumă o solicitare a unui client, al doilea o repartizează unui departament, iar al treilea redactează răspunsul.
