Trong lĩnh vực Trí tuệ Nhân tạo (AI), RAG là viết tắt của Retrieval-Augmented Generation.
Đây là một kỹ thuật được sử dụng để cải thiện khả năng của các Mô hình Ngôn ngữ Lớn (LLM) như ChatGPT, Bard, Llama… bằng cách kết hợp chúng với hệ thống truy xuất thông tin từ các nguồn dữ liệu bên ngoài.
Hiểu đơn giản, khi bạn đặt câu hỏi cho một mô hình AI sử dụng RAG, thay vì chỉ dựa vào kiến thức đã được huấn luyện sẵn (vốn có thể bị lỗi thời hoặc thiếu chi tiết), hệ thống RAG sẽ thực hiện các bước sau:
- Truy xuất (Retrieval): Tìm kiếm các thông tin liên quan nhất đến câu hỏi của bạn từ một kho kiến thức bên ngoài (ví dụ: cơ sở dữ liệu, tài liệu nội bộ, website, internet…).
- Tăng cường (Augmentation): Đưa (bổ sung) các đoạn thông tin đã truy xuất này vào ngữ cảnh (context) cho Mô hình Ngôn ngữ Lớn.
- Sinh tạo (Generation): Mô hình Ngôn ngữ Lớn sử dụng cả kiến thức được huấn luyện và thông tin vừa được cung cấp từ quá trình truy xuất để tạo ra câu trả lời cuối cùng.
Mục đích chính của RAG:
- Tăng độ chính xác và độ tin cậy: Giúp mô hình cung cấp thông tin đúng đắn và ít bị “ảo giác” (hallucination – tức là tạo ra thông tin sai lệch hoặc không có thật).
- Cung cấp thông tin cập nhật: Cho phép mô hình truy cập và sử dụng dữ liệu mới nhất mà không cần phải huấn luyện lại toàn bộ mô hình.
- Đưa ra câu trả lời chi tiết và có căn cứ: Mô hình có thể trích dẫn hoặc tham chiếu nguồn thông tin đã dùng để trả lời câu hỏi.
- Ứng dụng với dữ liệu riêng: Cho phép doanh nghiệp hoặc cá nhân sử dụng LLM để trả lời các câu hỏi dựa trên dữ liệu nội bộ, chuyên ngành của họ một cách hiệu quả.
RAG giúp các mô hình AI trở nên thông minh hơn, đáng tin cậy hơn và có khả năng tương tác với kiến thức mới bên ngoài phạm vi dữ liệu huấn luyện ban đầu của chúng.