Este explorador ya no se admite.
Actualice a Microsoft Edge para aprovechar las características y actualizaciones de seguridad más recientes, y disponer de soporte técnico.
¿Cuál es el propósito principal de la generación aumentada de recuperación (RAG)?
Para volver a entrenar un modelo de lenguaje cada vez que cambia la información de origen.
Para fundamentar las respuestas generadas en la información pertinente recuperada de un origen de datos.
Para reemplazar un modelo de lenguaje por un motor de búsqueda.
¿Por qué los documentos de gran tamaño se dividen normalmente en fragmentos antes de que se indexen?
Así, la solución puede recuperar pasajes relevantes que quepan de forma eficiente en un prompt.
Por lo tanto, cada fragmento se puede usar para entrenar un modelo de lenguaje independiente.
Por lo tanto, ya no es necesario almacenar los documentos originales.
¿Qué representa una inserción en una solución RAG?
Vector numérico que captura las características semánticas del contenido.
Conjunto de instrucciones que define el comportamiento del modelo.
Una respuesta final generada para un usuario.
¿Qué enfoque de búsqueda puede encontrar un pasaje sobre "costos de viaje de empresa" cuando la consulta pregunta sobre "gastos de viaje de negocios", incluso si las palabras difieren?
Búsqueda semántica de vectores.
Coincidencia exacta de nombre de archivo.
Selección aleatoria de documentos.
Una respuesta RAG es fluida, pero contiene un límite de directiva incorrecto. ¿Qué se debe examinar primero?
Si se recuperó y proporcionó el pasaje de directiva correcto y actual como contexto.
Si el modelo de lenguaje puede generar una respuesta más larga.
Si se pueden añadir más documentos no relacionados con el prompt.
Debe responder todas las preguntas antes de comprobar su trabajo.
¿Le ha resultado útil esta página?
¿Necesita ayuda con este tema?
¿Desea intentar usar Ask Learn para aclarar o guiarle a través de este tema?