RAG مخفف Retrieval-Augmented Generation است؛ یعنی «ساختن جواب با کمک جستوجو». این روش مشکل اصلی مدلهای زبانی عمومی را حل میکند: آنها دربارهی کسبوکار خاص شما چیزی نمیدانند و ممکن است جواب غلط بسازند.
- کاربر میپرسد
مثلاً «شرایط بازگشت کالا چیست؟»
- جستوجو در دانش شما
بخشهای مرتبط را از متنهای خودتان پیدا میکند.
- دادن به مدل
همان بخشها را همراه پرسش به مدل زبانی میدهد.
- جواب با منبع
مدل از روی همان دانش جواب میسازد و منبع را نشان میدهد.
RAG قدمبهقدم چطور کار میکند؟
- کاربر یک سؤال میپرسد.
- سیستم در پایگاه دانش شما بخشهای مرتبط با سؤال را پیدا میکند.
- همان بخشها را همراه سؤال به مدل زبانی میدهد.
- مدل از روی همان دانش جواب میسازد و اگر لازم باشد منبع را هم نشان میدهد.
چرا جوابها قابلاعتمادترند؟
چون مدل از خودش جواب درنمیآورد؛ از روی سندهای شما جواب میسازد. اگر چیزی در دانش شما نباشد، چتبات خوب حدس نمیزند و راستش را میگوید و کاربر را پیش یک کارشناس میفرستد.
برای ساختنش چه چیزهایی لازم است؟
- سندها، قیمتها و پرسشهای تکراری شرکت
- قاعدههای جواب دادن و لحن برند
- یک راه مشخص برای سپردن به انسان
- جایی که چتبات کار میکند: سایت، تلگرام، واتساپ یا پنل داخلی
نکتهی مهم برای زبان فارسی
کیفیت جستوجو در متن فارسی به این بستگی دارد که حرفها یکشکل باشند (ی و ک عربی و فارسی، نیمفاصله) و مدل embedding مناسب انتخاب شود. قبل از انتشار، چتبات را با سؤالهای واقعی و محاورهای مشتریهایتان امتحان کنید.
برای کانالها و هزینهی چنین سیستمی، چتبات تلگرام و واتساپ و راهنمای هزینهی چتبات و مدل را بخوانید.
برای کاربرد عملی RAG در جواب دادن به مشتری، پشتیبانی مشتری با هوش مصنوعی را ببینید.
سؤالات متداول
RAG جای کارشناس پشتیبانی را میگیرد؟
نه. RAG به سؤالهای تکراری جواب میدهد تا کارشناسها روی کارهای سختتر وقت بگذارند، و وقتی جواب را نمیداند کاربر را پیش انسان میفرستد.
اگر دانش شرکت عوض شود چه میشود؟
پایگاه دانش را بهروز میکنید و چتبات از نسخهی جدید جواب میدهد؛ لازم نیست مدل را دوباره آموزش بدهید.