Retrieval-Augmented Generierung

Retrieval-Augmented Generation (RAG) ist eine Aufgabe im Bereich der Natürlichen Sprachverarbeitung, die die Stärken von Retrieval-Modellen und Generativen Modellen kombiniert. RAG verwendet ein Retrieval-System, um relevante Dokumente oder Passagen aus einem großen Korpus auszuwählen, und dann ein generatives Modell (in der Regel ein neuronales Sprachmodell), um Antworten basierend auf dieser abgerufenen Information zu generieren. Dieser Ansatz verbessert die Genauigkeit und Kohärenz des generierten Textes, insbesondere für Aufgaben wie offene Fragebeantwortung, wissensbasierte Dialoge und Zusammenfassungen. Er integriert externe Informationen effektiv, reduziert die Abhängigkeit von gememorisiertem Wissen und erhöht die Antwortqualität durch die Verwendung aktueller oder spezifischer Domäneninformationen. Die Leistung von RAG-Systemen wird typischerweise mit Metriken wie Präzision, Recall, F1-Score, BLEU-Score und exakter Übereinstimmung bewertet.