परिचय
बड़े भाषा मॉडल सवालों के जवाब दे सकते हैं, सामग्री को सारांशित कर सकते हैं और टेक्स्ट तैयार कर सकते हैं। लेकिन वे केवल वही जानते हैं जो उन्होंने प्रशिक्षण के दौरान सीखा था। अपनी कंपनी के उत्पादों, ग्राहक के आदेश, या संगत घटकों के बारे में पूछें, और मॉडल का कोई उपयोगी उत्तर नहीं है। पुनर्प्राप्ति संवर्धित जनरेशन (RAG) क्वेरी समय पर मॉडल को आपके डेटा तक पहुंच प्रदान करके इस समस्या को हल करता है। यह उम्मीद करने के बजाय कि मॉडल आपके उत्पाद कैटलॉग को जानता है, आप अपने डेटाबेस से प्रासंगिक उत्पादों को पुनर्प्राप्त करते हैं और उन्हें प्रॉम्प्ट में शामिल करते हैं। मॉडल तब वास्तविक, वर्तमान जानकारी पर आधारित प्रतिक्रिया उत्पन्न करता है।
आरएजी एआई प्रोसेसिंग को डेटाबेस परत के अंदर रखता है, जहां आपका डेटा पहले से ही रहता है। यह दृष्टिकोण सिस्टम के बीच डेटा को स्थानांतरित करने से बचाता है और आपको Transact-SQL का उपयोग यह नियंत्रित करने के लिए देता है कि मॉडल को कौन सा संदर्भ प्राप्त होता है। परिणाम एक ऐसा एप्लिकेशन है जो आपकी तालिकाओं से वास्तविक, up-to-दिनांक जानकारी का उपयोग करके विशिष्ट प्रश्नों का उत्तर दे सकता है।
कल्पना कीजिए कि एक खुदरा टीम एक उत्पाद डेटाबेस के शीर्ष पर एक ग्राहक सहायता एप्लिकेशन बना रही है। एक ग्राहक पूछता है, "ठंड के मौसम में साइकिल चलाने के लिए कौन से दस्ताने सबसे अच्छा काम करते हैं?" एप्लिकेशन को उत्पाद कैटलॉग खोजने, मेल खाने वाले सहायक उपकरण ढूंढने और एलएलएम का उपयोग करके उपयोगी प्रतिक्रिया उत्पन्न करने की आवश्यकता है। यह वर्कफ़्लो कार्रवाई में RAG है: प्रासंगिक डेटा पुनर्प्राप्त करें, उस डेटा के साथ प्रॉम्प्ट को बढ़ाएं, और एक ग्राउंडेड प्रतिक्रिया उत्पन्न करें। SQL में इस वर्कफ़्लो का निर्माण करके, टीम पुनर्प्राप्ति चरण को डेटा के करीब रखती है और एक अलग पुनर्प्राप्ति सेवा बनाने से बचती है।
इस मॉड्यूल को पूरा करने के बाद, आप निम्न में सक्षम होंगे:
- पहचानें कि आपके आवेदन के लिए RAG सही दृष्टिकोण कब है।
- SQL क्वेरी परिणामों को JSON में बड़े भाषा मॉडल (LLM) संसाधन के लिए कनवर्ट करें।
- ऐसे प्रॉम्प्ट बनाएं जो निर्देशों को डेटाबेस संदर्भ के साथ जोड़ते हैं।
- SQL से LLM समापन बिंदुओं को कॉल करें।
- एलएलएम प्रतिक्रियाओं को पार्स करें और अपने आवेदन के उत्तर लौटाएं।