RAG înseamnă Retrieval-Augmented Generation: un sistem caută informația relevantă într-o bază de cunoștințe și o oferă unui model AI pentru a formula răspunsul. În fir, baza este construită din paginile pe care le-ai aprobat.
Un exemplu concret
Vizitatorul întreabă „Cât costă transportul?”. Sistemul caută pagina de livrare, selectează fragmentele relevante și formulează răspunsul cu o trimitere la sursă. În magazinul fictiv Atelier NOR, sursa spune că transportul este gratuit de la 500 lei, iar sub acest prag costă 29 lei. Un răspuns bun trebuie să păstreze ambele condiții.
Poți încerca întrebarea în demo-ul live și compara rezultatul cu pagina demonstrativă de livrare.
Ce se întâmplă în fir
- Extragere: scannerul citește paginile HTML publice permise și elimină elementele fără valoare pentru răspunsuri.
- Revizuire: conținutul este afișat în cont; sursele suspecte sunt puse în carantină.
- Indexare: după aprobare, fragmentele sunt pregătite pentru căutare textuală și semantică.
- Regăsire: întrebarea este comparată cu fragmentele din spațiul clientului.
- Răspuns și verificare: modelul formulează răspunsul, iar implementarea verifică citatele și susținerea afirmațiilor.
RAG nu înseamnă că antrenezi un model nou
În acest demo, conținutul site-ului este indexat și recuperat la întrebare. Nu antrenăm un model de bază separat pentru fiecare companie. Actualizarea surselor se face prin rescannare și aprobare, fără un proces de fine-tuning.
Această separare permite inspectarea paginii folosite și revocarea ei. Dacă schimbi politica de retur, versiunea nouă trebuie verificată înainte să devină sursă activă.
De ce poate greși și un chatbot cu RAG
Căutarea poate selecta un fragment incomplet, paginile pot conține contradicții, iar un model poate interpreta greșit o excepție. O citare nu dovedește singură corectitudinea: sursa trebuie să susțină afirmația exactă. De aceea testăm separat praguri, termene, negații și întrebări fără răspuns.
fir include verificări suplimentare și răspunsuri de rezervă când dovezile sunt insuficiente. Aceste măsuri reduc riscul; nu transformă modelul într-un sistem infailibil.
Ce conținut produce răspunsuri mai bune
- O pagină clară pentru fiecare politică importantă.
- Prețuri cu monedă, unitate și condiții explicite.
- Termene însoțite de excepțiile relevante.
- Date de contact actualizate și o persoană responsabilă de revizuire.
Vezi exemplul de evaluare Atelier NOR. Pentru conceptul RAG, sursa de referință este lucrarea Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis și colaboratorii, 2020). Descrierea pașilor fir de pe această pagină se referă la implementarea proprie.