سوالی که بعد از فهمیدن مشکل، طبیعی است بپرسیم
در مقالههای قبلی این کلاستر گفتیم چرا پیدا کردن اطلاعات سازمانی سخت است و چرا جستوجوی سنتی کافی نیست. اما یک سوال باقی میماند: وقتی یک دستیار هوشمند میگوید «بله، جواب سوالت این است»، این جواب دقیقاً از کجا میآید؟ آیا فقط حدس میزند، یا واقعاً میداند؟
پشتصحنه: چهار مرحلهای که هر پاسخ طی میکند
دستیارهای هوشمند سازمانی معمولاً بر پایه روشی به نام RAG — بازیابی افزوده تولید — کار میکنند. این روش، اطلاعات مرتبط را از یک پایگاه دانش خارجی استخراج میکند و در اختیار مدل زبانی قرار میدهد تا پاسخ را بر همان اساس تولید کند — نه از روی حدس یا حافظه عمومی مدل.
۱. فهم سوال
اولین قدم، فهمیدن منظور واقعی سوال است — نه فقط کلمات آن. سوال کارمند به فرمتی تبدیل میشود که سیستم بتواند آن را با اسناد مقایسه کند.
۲. جستوجو در منابع مرتبط
سیستم سوال را با محتوای اسناد سازمان مقایسه میکند و بخشهایی که بیشترین شباهت معنایی را با سوال دارند شناسایی و بازیابی میکند — نه بر اساس تطبیق کلمهبهکلمه، بلکه بر اساس شباهت معنایی واقعی.
۳. تولید پاسخ از دل اسناد بازیابیشده
بخشهای بازیابیشده، همراه با سوال اصلی کاربر، به مدل زبانی داده میشود و مدل بر همین اساس یک پاسخ منسجم تولید میکند — نه بر اساس دانش عمومیای که از قبل حفظ کرده.
۴. ارجاع به منبع
پاسخ خوب، پاسخی است که بتوان گفت دقیقاً از کدام سند آمده. این قابلیت، تفاوت بین یک حدس قابلقبول و یک پاسخ قابلاعتماد است.
چرا این متفاوت از «چت با هوش مصنوعی معمولی» است
مدلهای زبانی معمولی، مثل ChatGPT، بهطور پیشفرض از حافظه پارامتریک خودشان پاسخ میدهند — یعنی از چیزی که در طول آموزش یاد گرفتهاند، نه از اسناد واقعی سازمان شما. همانطور که در مقاله سوم این کلاستر گفتیم، این دقیقاً همان شکافی است که باعث میشود ChatGPT برای سوالات سازمانی بهتنهایی کافی نباشد. روش بازیابی افزوده تولید، این شکاف را با متصل کردن مدل به داده واقعی و بهروز سازمان پر میکند.