עיגון הוא טכניקה שמאפשרת ליצור תשובות מודל מהימנות, מועילות ועובדתיות יותר. כשמבססים את התשובות של מודל ה-AI הגנרטיבי, מקשרים אותן למקורות מידע שאפשר לאמת. כדי להטמיע עיגון, צריך לאחזר נתונים רלוונטיים ממקורות. השיטה המומלצת היא להשתמש בטכניקת Retrieval-Augmented Generation (יצירה משולבת-אחזור, RAG). האחזור מתבצע בדרך כלל באמצעות מנוע חיפוש, שמשתמש באינדקס שמוטמעות בו המשמעויות הסמנטיות של טקסט המקור.
יש גם שירותים וממשקי API של רכיבים שמטמיעים את מחזור החיים של RAG, כמו Agent Search on Gemini Enterprise Agent Platform Builder API, שמאפשר שילוב והתאמה של רכיבים. בגישה הזו, אתם יכולים להטמיע פתרון RAG באמצעות כל אחד מהשירותים או ממשקי ה-API הבאים:
- Grounding generation API: אתם יכולים להשתמש בו כדי להטמיע ביסוס, או לקשר לספק אחזור למחזור החיים המלא של RAG.
- מנתח פריסת מסמכים: המנתח הזה מייצג את המיטב של Document AI ו-Gemini להבנת מסמכים. איך משתמשים בכלי לניתוח פריסה
- חיפוש וקטורי ב-Gemini Enterprise Agent Platform: שירות החיפוש הזה מניב ביצועים גבוהים מאוד ומשתמש במסד נתונים וקטורי באיכות גבוהה.
- Check grounding API: ה-API הזה משווה בין הפלט של RAG לבין העובדות שאוחזרו, ועוזר לוודא שכל ההצהרות מבוססות לפני שהתשובה מוחזרת למשתמש.
איך מבססים תשובות באמצעות RAG Engine ב-Gemini Enterprise Agent Platform
כדי לבסס תשובות באמצעות RAG Engine, צריך ליצור הנחיה. מבצעים את הפעולות הבאות:
נכנסים לדף Agent Studio במסוף Google Cloud .
בחלונית הצדדית, בקטע הגדרות המודל, עוברים לקטע ביסוס ומפעילים את המתג הנתונים שלך.
בחלונית ההגדרות, בוחרים באפשרות RAG Engine כמקור העיגון.
ברשימה Corpus, בוחרים את שם הקורפוס.
בשדה Top-K Similarity, בוחרים באפשרות 20, שהיא ברירת המחדל.
לוחצים על Save.
המאמרים הבאים
- מידע נוסף על AI אחראי ומסנני בטיחות זמין במאמר שיטות מומלצות ל-AI אחראי ומסנני הבטיחות של Gemini Enterprise Agent Platform.
- איך RAG Engine מטמיע את RAG