Skip to main content


      RAG: Süni İntellektin “Açıq Kitabı”

      Süni intellektlə söhbət edərkən çox vaxt onun hər şeyi bildiyini, sanki dünyada olan bütün biliklərinin onun beynində hazır dayandığını düşünürük. Lakin reallıq bir az fərqlidir. Transformer modelləri nə qədər güclü olsa da, onların “biliyi” təlim keçdikləri tarixə qədər olan məlumatlarla məhdudlaşır. Məsələn, dünən baş vermiş bir hadisəni və ya şirkətinizin daxili sənədini ChatGPT-dən soruşsanız, çox güman ki, köhnə məlumatlar əsasında “uydurmağa” başlayacaq. Bele halda dövrəyə RAG (Retrieval-Augmented Generation) girir.

      Təsəvvür edin ki, iki tələbə imtahana girir. Birinci tələbə hər şeyi əzbərləyib, amma yanında heç bir qeyd yoxdur. Əgər sual onun oxumadığı mövzudan düşərsə, o, sadəcə məntiqli görünən, amma tamamilə yanlış bir cavab verəcək. Biz buna süni intellekt məzmununda “hallüsinasiya” deyirik. Model əminliklə səhv danışır, çünki onun işi sadəcə növbəti sözü ehtimal etməkdir, faktı yoxlamaq deyil.

      İkinci tələbənin (yəni RAG sisteminin) isə fərqi odur ki, onun qarşısında nəhəng bir kitabxana var. Sual verilən kimi o, dərhal kitabxanaya qaçır, ən uyğun səhifələri tapır, onları sürətlə oxuyur və yalnız ondan sonra cavab verir. RAG-ın etdiyi məhz budur: modeli sadəcə öz daxili yaddaşına güvənməyə məcbur etmir, ona “canlı” və kənar məlumat mənbələrinə çıxış verir.


      window

      RAG - Axtarışla Dəstəklənmiş Mətn Yaradılması - necə işləyir?

      Bu sistem əslində pərdəarxasında çox maraqlı və sistemli bir yol izləyir. Addım-addım baxsaq, proses belə baş verir:

      • Vektorlaşdırma: İlk olaraq sizin bütün sənədləriniz (PDF-lər, qeydlər, Excel faylları) riyazi kodlara, yəni vektorlara çevrilir. Bu, modelin sözlərin mənasını koordinat sistemində görməsinə kömək edir. Məsələn, “alma” və “armud” sözləri bu koordinat sistemində bir-birinə çox yaxın yerləşir.
      • Axtarış (Retrieval): Siz sual verdiyinizdə, sistem dərhal bu “vektor kitabxanasına” girir. O, sizin sualınızın mənasını anlayır və saniyələr içində milyonlarla sənəd arasından sualınızla məna baxımından ən yaxın olan hissələri tapıb gətirir.
      • Məzmun əlavə etmək (Augmentation): Tapılan bu məlumatlar sizin orijinal sualınızla birləşdirilir. Modelə sanki belə bir təlimat verilir: “Mənə öz bildiklərindən yox, məhz bu daxil etdiyim sənədlərdəki faktlara əsaslanaraq cavab ver.”
      • Yaradıcılıq (Generation): Sonda transformer arxitekturası bu təzə məlumatları emal edir. O, artıq “havadan” danışmır, qarşısındakı sənədi “oxuyub” icmal hazırlayan bir ekspert kimi həm aktual, həm də dəqiq bir cavab ortaya çıxarır.

      Niyə bu qədər vacibdir?

      Müasir dil modellərini (məsələn, GPT-4) yenidən təlim etmək milyonlarla dollara başa gəlir və aylar çəkir amma bizə lazım olan informasiyalar hər gün dəyişə bilər. RAG bizə imkan verir ki, modeli hər dəfə yenidən “oxutmadan” və ya astronomik xərclər çəkmədən ona yeni məlumatlar öyrədək.

      RAG xüsusilə iş dünyasında və korporativ mühitdə çox böyük bir fərq yaradıb. Şirkətlər öz məxfi maliyyə hesabatlarını və ya müştəri məlumatlarını internetə sızdırmadan, sadəcə bu daxili “kitabxana” vasitəsilə süni intellektə sual verə bilirlər. Əgər məlumat dəyişirsə, modeli yenidən təlim etmirsiniz, sadəcə kitabxanadakı sənədi yeniləyirsiniz.

      Əgər transformer arxitekturası süni intellektin “beyni”dirsə, RAG onun “kitab rəfi”dir. O, süni intellekti sadəcə statistik ehtimallarla danışan bir alqoritmdən çıxarıb, real faktlara söykənən, etibarlı və şəffaf bir köməkçiyə çevirir. Gələcəyin ən ağıllı sistemləri ən çox məlumat əzbərləyənlər deyil, lazım olan məlumatı ən sürətli və düzgün şəkildə tapıb gətirənlər olacaq.


      Author

      Nigar Mammadova

      Consultant,
      Data & AI
      KPMG Azerbaijan
      nigarmammadova@kpmg.az