הארקה היא טכניקה שבה אפשר להשתמש כדי ליצור תשובות של מודלים שהן יותר מהימנות, מועילות ועובדתיות. כשמבססים תשובות של מודלים של AI גנרטיבי על מקורות מידע, מחברים אותן למקורות מידע שניתנים לאימות. כדי להטמיע את ההארקה, צריך לאחזר נתוני מקור רלוונטיים. השיטה המומלצת היא להשתמש בטכניקת Retrieval-Augmented Generation (יצירה משולבת-אחזור, RAG). האחזור מתבצע בדרך כלל באמצעות מנוע חיפוש שמשתמש באינדקס שמוטמעים בו המשמעויות הסמנטיות של טקסט המקור.
יש גם שירותים ורכיבי API שמיישמים את מחזור החיים של RAG, כמו Agent Search Builder API, שמאפשר בנייה של תמהיל מותאם אישית. בעזרת בנייה בהתאמה אישית, אתם יכולים להטמיע פתרון RAG באמצעות כל אחד מהשירותים או ממשקי ה-API הבאים:
- Grounding generation API: אפשר להשתמש בו כדי להטמיע grounding או לקשר לספק אחזור לצורך מחזור החיים המלא של RAG.
- כלי לניתוח פריסת מסמכים: הכלי הזה מייצג את היכולות הכי טובות של Document AI ו-Gemini להבנת מסמכים. מידע נוסף על כלי הניתוח של פריסות זמין במאמר בנושא שימוש בכלי הניתוח של פריסות.
- Gemini Enterprise Agent Platform Vector Search: שירות החיפוש הווקטורי הזה מניב ביצועים גבוהים ומשתמש במסד נתונים וקטורי באיכות גבוהה.
- Check grounding API: ממשק ה-API הזה משווה את הפלט של RAG לעובדות שאוחזרו, ועוזר לוודא שכל ההצהרות מבוססות על עובדות לפני שהתשובה מוחזרת למשתמש.
הארקת תשובות באמצעות RAG Engine ב-Gemini Enterprise Agent Platform
כדי להשתמש במנוע RAG כדי להצמיד תשובות, צריך ליצור הנחיה. צריך לבצע את הפעולות הבאות:
נכנסים לדף Agent Studio במסוף Google Cloud .
בחלונית הצדדית, בקטע הגדרות המודל, עוברים לקטע הצמדה לקרקע ומפעילים את המתג הנתונים שלך.
בחלונית ההגדרות, בוחרים באפשרות RAG Engine (מנוע RAG) כמקור להארקה.
ברשימה Corpus, בוחרים את שם הקורפוס.
בשדה Top-K Similarity, בוחרים באפשרות 20, שהיא ברירת המחדל.
לוחצים על Save.
המאמרים הבאים
- מידע נוסף על אתיקה של בינה מלאכותית ומסנני בטיחות זמין במאמר שיטות מומלצות לאתיקה של בינה מלאכותית ומסנני הבטיחות של Gemini Enterprise Agent Platform.
- מידע נוסף על ההטמעה של RAG על ידי RAG Engine זמין במאמר בנושא RAG Engine.