检索增强生成

什么是检索增强生成？

• 数据集成：RAG 利用来自多个内部和外部源的结构化和非结构化数据建立完整的知识库。这需要在选择知识库时确保其中包含与主题相关的信息，且此类信息是准确并切题的。通过集成许多数据源，RAG 保证了检索和生成过程使用综合全面的的知识库。
• 模型训练：为了有效地根据查询检索关切的信息，RAG 随后会在精心构建的知识库上训练基于检索的模型。它同时训练检索模型和生成式语言模型，以便生成适合上下文的文本。通过这种双模型方法，RAG 可以有效地利用动态获得的信息和先验知识来生成智能回复。
• 工作流程集成：经过训练后，RAG 模型被纳入当前应用和工作流程中，以支持决策和内容生成。这种关联确保了公司系统和 API 无缝地协同工作，能够更轻松地在许多用例和领域部署和扩展模型。
• 持续改进：RAG 根据用户输入和不断变化的数据源持续进行模型评估和改进，以保持峰值性能。知识库的频繁更新以及 RAG 模型的再训练保证了它的灵活性，能够响应不断发展的领域动态和业务需求，有利于长期性能优化和持续改进。

检索增强生成 (RAG) 之所以重要的原因有以下几个：

• 增强上下文理解：RAG 使用基于检索的方法和生成式模型来使用预先存在的知识和动态获得的信息。它能更好地通过上下文理解询问和提示，因此可以给出更准确、更翔实的回复。
• 访问外部知识：RAG 通过将外部数据源结合到生成中来增强模型知识。这有助于它给出更完整、更相关的答复，尤其是在涉及多个来源的领域。
• 性能更佳：RAG 的实时信息检索改进了各项自然语言处理操作，包括问答、总结和内容生成。通过使用外部知识源，RAG 可以给出基于丰富上下文、准确且翔实的回复。
• 适应性和灵活性：精心打造的知识库和训练数据使 RAG 模型能够适合特定的领域和应用案例。这些模型用途广泛，可以用于医疗保健、银行、客户服务和信息检索。
• 持续学习和改进：RAG 采用的模型评估、优化和再训练方法使它能够持续学习和改进。这使模型能够跟上不断变化的数据源和用户偏好，确保在动态环境中始终性能优秀。

检索增强生成是迈向自然语言处理的重要一步，因为它将检索方法和生成式方法相辅相成地结合在一起，实现了二者性能双提升。这使得它更容易理解，并生成听起来像是来自真人的答复。

您可以在 HPE 面向生成式 AI 的企业计算基础设施中，使用 HPE 强大的机器学习开发环境 (MLDE) 和各种 AI 服务（如生成式 AI），将检索增强生成 (RAG) 集成到机器学习模型中。这种集成可按如下方式加以利用：

• 使用 HPE MLDE：HPE MLDE 将机器学习模型开发、训练和部署集成在一起。可以通过 MLDE 的许多工具和包，使用基于检索的生成式组件创建 RAG 模型。MLDE 还拥有许多机器学习框架和高效的资源管理功能，开发人员可以利用它们来评估多种架构并最大限度提高模型性能。
• 利用 HPE AI Services – Gen AI: HPE 生成式 AI 服务可帮助企业改善运营和决策。公司可以将 RAG 模型与生成式 AI 服务结合起来，有效利用上下文式理解和动态知识检索。RAG 支持的聊天机器人可以更准确、更深入地处理困扰消费者的问题，提高用户满意度。
• HPE 企业计算基础设施上部署的生成式 AI：HPE 企业计算基础设施是专为生成式 AI 应用设计的。其可扩展性、可靠性和安全性使 RAG 模型能够在要求严苛的环境中顺畅运行。HPE 架构还支持数据管理，实现对海量知识库的快速检索。

要将 RAG 集成到 ML 模型中，HPE MLDE、生成式 AI 和面向生成式 AI 的企业计算基础设施必不可少。利用这种关联，组织可以设计和部署先进的 AI 应用，利用上下文式理解和动态知识检索来提供商业价值并不断创新。