ב-AI גנרטיבי, 'הארקה' היא היכולת לקשר בין פלט של מודל לבין מקורות מידע שאפשר לאמת. אם מספקים למודלים גישה למקורות נתונים ספציפיים, ההארקה מקשרת את הפלט שלהם לנתונים האלה ומפחיתה את הסיכויים להמצאת תוכן. הדבר חשוב במיוחד במצבים שבהם הדיוק והמהימנות משמעותיים.
היתרונות של ביסוס:
- הוא מפחית את ההזיות של המודל, כלומר מקרים שבהם המודל יוצר תוכן לא עובדתי.
- העוגנים מעצבים את התשובות של המודל בהתאם למקורות הנתונים שלכם.
- מספק יכולת ביקורת באמצעות תמיכה בהצגת מקורות, שהם קישורים למקורות.
אפשר להשתמש ב-Vertex AI כדי להצמיד את הפלט של מודלים נתמכים לקרקע בדרכים הבאות:
| סוג ההצמדה | תיאור |
|---|---|
| עיגון באמצעות חיפוש Google | לקשר את המודל לידע עולמי ולמגוון רחב של נושאים באמצעות תוצאות ממנוע החיפוש של Google. |
| עיגון בעזרת מפות Google | להשתמש בנתונים של מפות Google עם המודל כדי לספק תשובות מדויקות יותר להנחיות, כולל הקשר גיאו-מרחבי. |
| הארקה באמצעות חיפוש מבוסס-Vertex AI | משתמשים ב-RAG (יצירה משולבת-אחזור) כדי לקשר את המודל לנתוני האתר או לקבוצות המסמכים שמאוחסנים בחיפוש מבוסס-Vertex AI. |
| הארקה באמצעות Vertex AI RAG Engine | הקרקוע מתבצע באמצעות הנתונים שלכם דרך Vertex AI RAG Engine, שהוא שירות RAG מנוהל שאפשר להגדיר. |
| הארקה באמצעות Elasticsearch | איך משתמשים ב-RAG עם אינדקסים קיימים של Elasticsearch ו-Gemini |
| הארקה באמצעות ה-API של החיפוש | אפשר לחבר את Gemini למקורות נתונים חיצוניים באמצעות עיגון עם כל API של חיפוש. |
| Web Grounding for Enterprise | שימוש באינדקס אינטרנט שמתאים לתעשיות עם רגולציה מחמירה כדי ליצור תשובות שמבוססות על מקורות עם אמצעי בקרה לתאימות. |
| עיגון באמצעות חיפוש מקביל באינטרנט | כדי להשתמש במידע העדכני ביותר מהאינטרנט, אפשר לקשר את Gemini לאינדקס אינטרנט שעבר אופטימיזציה לשימוש במודלים גדולים של שפה (LLM). |
מידע על תמיכה בשפות מופיע במאמר שפות נתמכות להנחיות.
המאמרים הבאים
- מידע נוסף על שיטות מומלצות לאתיקה של בינה מלאכותית ועל מסנני הבטיחות של Vertex AI זמין במאמר בנושא אתיקה של בינה מלאכותית.