Il grounding è una tecnica che puoi utilizzare per generare risposte del modello più affidabili, utili e oggettive. Quando esegui il grounding delle risposte del modello di AI generativa, le colleghi a fonti di informazioni verificabili. Per implementare il grounding, devi recuperare i dati di origine pertinenti. La best practice consigliata è utilizzare la tecnica della Retrieval Augmented Generation (RAG). Il recupero viene solitamente eseguito utilizzando un motore di ricerca, che utilizza un indice incorporato con i significati semantici del testo di origine.
Esistono anche servizi e API dei componenti che implementano il ciclo di vita della RAG, come l'API Agent Search su Gemini Enterprise Agent Platform Builder, che consente la creazione di combinazioni personalizzate. Con la creazione combinata, puoi implementare una soluzione RAG utilizzando uno dei seguenti servizi o API:
- API Grounding Generation: puoi utilizzarla per implementare il grounding o collegarti a un provider di recupero per il ciclo di vita completo della RAG.
- Parser del layout dei documenti: questo parser rappresenta il meglio di Document AI e Gemini per la comprensione dei documenti. Per saperne di più sul parser del layout, consulta Utilizza il parser del layout.
- Vector Search di Gemini Enterprise Agent Platform: questo servizio di ricerca è altamente performante e utilizza un database vettoriale di alta qualità.
- API Check Grounding: questa API confronta l'output RAG con i fatti recuperati e aiuta a garantire che tutte le affermazioni siano fondate prima di restituire la risposta all'utente.
Fonda le risposte utilizzando RAG Engine su Gemini Enterprise Agent Platform
Per eseguire il grounding delle risposte utilizzando il motore RAG, devi creare un prompt. Segui questi passaggi:
Nella console Google Cloud , vai alla pagina Agent Studio.
Nel riquadro laterale, in Impostazioni modello, vai alla sezione Grounding e attiva l'opzione I tuoi dati.
Nel riquadro di configurazione, seleziona RAG Engine come fonte di grounding.
Nell'elenco Corpus, seleziona il nome del corpus.
Nel campo Similarità Top-K, seleziona 20, che è il valore predefinito.
Fai clic su Salva.
Passaggi successivi
- Per scoprire di più sull'AI responsabile e sui filtri di sicurezza, consulta le best practice per l'AI responsabile e i filtri di sicurezza di Gemini Enterprise Agent Platform.
- Per scoprire di più su come la RAG viene implementata da RAG Engine, consulta RAG Engine.