هوش مصنوعی
چارچوبی علّی برای دقیق‌تر کردن بازیابی در سامانه‌های RAG
پیش‌چاپی در arXiv می‌گوید شباهت واژگانی می‌تواند اسنادی را بالا بیاورد که به پرسش مرتبط به نظر می‌رسند، اما اطلاعات موردنیاز را ندارند؛ پژوهشگران برای رفع این مشکل، مرحلهٔ نهایی بازیابی را با روابط علّی مدل می‌کنند.
در سامانه‌های تولیدِ تقویت‌شده با بازیابی (RAG)، پاسخ مدل زبانی به اسناد بازیابی‌شده متکی است. اما بازیابی معمول مبتنی بر شباهت بردارهای متراکم و، گاهی، بازرتبه‌بندی ممکن است اسنادی را انتخاب کند که فقط واژه‌های مشترکی با پرسش دارند. به‌گفتهٔ نویسندگان پیش‌چاپ، این کاستی با بزرگ‌تر شدن پایگاه دانش پررنگ‌تر می‌شود.
پژوهشگران ریشهٔ مسئله را فاصلهٔ میان شباهت و رابطهٔ علّی می‌دانند: شباهت، ارتباطی هم‌وقوعی را نشان می‌دهد، درحالی‌که سند مفید باید به‌لحاظ علّی به پرسش مربوط باشد. آن‌ها مرحلهٔ پایانی بازیابی را با یک گراف علّی و بر پایهٔ اصل «علت مشترک» رایشِنباخ مدل می‌کنند. در این صورت‌بندی، کلیدواژه‌های مشترک پرسش و سند بازیابی‌شده یک علت مشترک پنهان، با نماد A، را تشکیل می‌دهند و کلیدواژه‌های باقی‌ماندهٔ سند در مجموعهٔ پنهان B قرار می‌گیرند.
چکیدهٔ در دسترس در منبع پیش از توضیح کامل روش و نتایج قطع می‌شود؛ بنابراین جزئیات سازوکار توجه و میزان بهبود دقت بازیابی از این اطلاعات مشخص نیست.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده