ಸನ್ದರ್ಭಿಕ ಮೋಟಾರ்களை ಕ್ರಾಂತಿಕಾರಿಯು ಮಾಡುವುದು ಕೃತ್ಯ ಬುದ್ಧಿಮತ್ತೆಯ ಯುಗದಲ್ಲಿ ಪ್ರಮುಖ ಗುರಿಯಾಗಿದೆ. ಒಂದು ನಾವೀನ್ಯತೆಯನ್ನು ಹೊಂದಿರುವ ತಂಡವು ಈ ಕ್ಷೇತ್ರವನ್ನು ಪುನಃ ವ್ಯಾಖ್ಯಾನಿಸಲು ಸಮರ್ಥವಾದ ವಿಧಾನವನ್ನು ಪ್ರಕಟಿಸಿದೆ. *ಶೋಧ ಫಲಾವಳಿಗಳ ಸಂಬಂಧವನ್ನು ಅತಿಕ preciso ಆಗಿ ಅಳೆಯುವುದು* ಕೃತ್ಯ ಬುದ್ಧಿಮತ್ತೆ ಬಳಸುವ ಬಳಕೆದಾರರ ಹೆಚ್ಚುತ್ತಿರುವ ಅಗತ್ಯಗಳ ಮುಖಾಮುಖಿಯಾಗಿ ಅಗತ್ಯವಾಗಿದೆ.
ಹೊಸದಾದ ವಿಧಾನ, eRAG ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, *ಮೋಟಾರ್ಕ್ತಗಳ ಕಾರ್ಯನೀತಿಯು* ಭಾಷಾ ಮಾದರಿಗಳಿಗೆ ವಿಶೇಷ ಅಗತ್ಯಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳಲು ಭರವಸೆ ನೀಡುತ್ತದೆ. ಈ ತಾಂತ್ರಿಕ ಪ್ರಗತಿ ಪ್ರಸ್ತುತ ಮಾನವ ಶೋಧ ಮತ್ತು ಕೃತ್ಯ ಬುದ್ಧಿಮತ್ತೆಯ ನಿರೀಕ್ಷೆಗಳ ನಡುವಿನ ಅಪೂರ್ಣತೆಗೆ ಒಯ್ಯುತ್ತದೆ. *ಹೊಸ ಪ್ರವೃತ್ತಿಗಳನ್ನು ಮುನ್ಸೂಚನೆ ಮಾಡುವುದು* ಕಂಪನಿಗಳು ಮತ್ತು ಗ್ರಾಹಕರಿಗೆ ಮಾಹಿತಿ ಹುಡುಕಲು ಅವರ ಸಂಬಂಧವನ್ನು ಮರುಮೌಲ್ಯೀಕರಣ ಮಾಡಲು ಆಹ್ವಾನ ನೀಡುತ್ತದೆ.
ಹೊಸ ವಿಧಾನ: eRAG
ಮಸ್ಸಾಚುಸೆಟ್ಸ್ ಅಮ್ಹರ್ಸ್ಟ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಸಂಶೋಧಕರ ತಂಡವು ಇತ್ತೀಚೆಗೆ eRAG ಎಂಬ ಹೆಸರಿನ ಕ್ರಾಂತಿಕಾರಿ ವಿಧಾನವನ್ನು ಪರಿಚಯಿಸಿದೆ. ಈ ವಿಧಾನವು ಕೃತ್ಯ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಉತ್ಪತ್ತಿಯಾದ ಶೋಧಗಳ ನಂಬಿಕೆ ಮತ್ತು ಪ್ರಮಾಣವನ್ನು ಅಳೆಯುವುದಕ್ಕೆ ಅವಕಾಶ ನೀಡುತ್ತದೆ. ಈ ವಿಧಾನವು Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval ನಲ್ಲಿ ಪ್ರಕಟವಾಗಿದೆ.
ಮೋಟಾರ್ಕ್ತಗಳನ್ನು ಪುನಃ ವ್ಯಾಖ್ಯಾನಿಸುವ ಅಗತ್ಯ
ಪ್ರಾಗತಿಯಲ್ಲಿ, ಮೋಟಾರ್ಕ್ತಗಳನ್ನು ಮಾನವ ಶ್ರೇಣಿಗೆ ಬೇಕಾದಂತೆಯೇ ಬಯಸಲಾಗಿತ್ತು. ಅಧ್ಯಯನದ ಪ್ರಧಾನ ಲೇಖಕ ಅಲಿereza ಸಲೇಮಿ ಈ ಸಾಧನಗಳು ಕೇಳುವ ವ್ಯಕ್ತಿಯೇ ಆದಾಗ ಸೂಕ್ತವಾಗಿಯೇ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎಂದು ಒತ್ತಿಸುತ್ತಾರೆ. ಆದಾಗ್ಯೂ, ಚಾಟ್‌ಜಿಪಿಟ್ ಸೇರಿದಂತೆ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಭಾಷಾ ಮಾದರಿಗಳ ಏರಿಕೆಯೊಂದಿಗೆ, ಈ ಡೈನಾಮಿಕ್ ಬದಲಾಗುತ್ತದೆ. ಈ ಬೆಳವಣಿಗೆಯು ಮೋಟಾರ್ಕ್ತಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಪುನರ್‌ರಚಿಸಲು ಅಗತ್ಯವಾಗಿದೆ, ಏಕೆಂದರೆ ಇದು LLM ಗಳ ಅಗತ್ಯಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳಲು ಅಗತ್ಯವಿದೆ.
LLMಗಳನ್ನು ಎದುರಿಸುತ್ತಿರುವ ಆವChallenges
ಮಾನವರು ಮತ್ತು LLMಗಳು ಮೂಲಭೂತವಾಗಿ ವೈವಿಧ್ಯಮಯ ಮಾಹಿತಿಯನ್ನು ಅಗತ್ಯವಿದೆ. ಉದಾಹರಣೆಗೆ, ಯಾರಾದರೂ ಒಂದು ಪುಸ್ತಕವನ್ನು ಹುಡುಕುವಾಗ, ವ್ಯಕ್ತಿಯೊಬ್ಬನು ವಿಶ್ಲೇಷಣೆ ಮಾಡಲು ಎರಡನೆ ಶ್ರೇಣಿಯ ಶೋಧಗಳನ್ನು ಬಳಸಬಹುದು, ಬಯಸಿದ ಕೃತಿಯನ್ನು ಗುರುತಿಸಲು. ಆದರೆ, LLMಗಳು ನಿಗದಿತ ಡೇಟಾಸೆಟ್‌ಗಳಿಂದ ನಿಯಂತ್ರಿತವಾಗಿರುವುದರಿಂದ, ತಮ್ಮ ಆಧಾರದಲ್ಲಿ ಇಲ್ಲದ ಮಾಹಿತಿಯಲ್ಲಿಗೆ ಸೇರುವುದಿಲ್ಲ. ಈ ಮಿತಿಯು ಬಹುಶಃ ಸಮಶ್ರೀ ಮತ್ತು ವಿಶಿಷ್ಟ ನಿರೋಧಕವನ್ನಾಗಿ ಮಾಡಿ.
RAG ಪರಿಹಾರ
ಈ ಸವಾಲುಗಳಿಗೆ ಪರಿಹಾರವಾಗಿ, ಸಂಶೋಧಕರು retrieval-augmented generation (RAG) ಎಂಬ ವಿಚಾರವನ್ನು ರೂಪಿಸಿದ್ದಾರೆ. ಈ ವಿಧಾನವು LLMಗಳಿಗೆ ಮೋಟಾರ್ಚ್‌ಗಳಿಂದ ನೀಡುವ ಫಲಿತಾಂಶವನ್ನು ಒಳಗೊಂಡುಕೊಂಡು ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸಲು ಸುಲಭವಾಗುತ್ತದೆ. ಪ್ರಶ್ನೆಯಾಗಿದೆ: ಈ ಫಲಿತಾಂಶಗಳ ಉಪಯೋಗವನ್ನು LLMಗಳಿಗೆ ಹೇಗೆ ಅಳೆಯುವುದು?
ವೇದಿಕೆಗೊಳಗಾದ ಮಾರ್ಗಗಳು
ಮಾನುಷರು ಅನುರ್ಮಲಕ ಪ್ರಶಸ್ತಿಯ ಮೂರು ಸ್ವರೂಪಗಳನ್ನು ಹೊಡೆಯುತ್ತಾರೆ. ಮೊದಲನೆಯದು, ಸಾಮಾನ್ಯವಾಗಿ ನೋಡುಗರ ಪ್ಯಾನಲ್ ಅನ್ನು ಪರಿಶೀಲನೆ ಮಾಡಲು ವಿನಂತಿಸುತ್ತದೆ. ಈ ವಿಧಾನವು ಹಳೆಯದಾದರೂ, ಇದು ದುಬಾರಿ ಮತ್ತು LLM ಸಂಪರ್ಕಕ್ಕೆ ಅಗತ್ಯ ಮಾಹಿತಿಯ ಮಿತಿಯ ಭಾವನೆಗಾಗಿ ಕಡಿಮೆ ಪರಿಣಾಮಕಾರಿ ಎಂದು ನನಸು ಮಾಡುತ್ತದೆ.
ಒಂದು ಪರ್ಯಾಯವು LLM ಅನ್ನು ಬಳಸುವ ಮೂಲಕ ಸಂಬಂಧದ ಇನ್ನಾಯಿತ ತೆಗೆದುಕೊಳ್ಳುತ್ತವೆ. ಈ ತಂತ್ರ ಹೆಚ್ಚು ಆರ್ಥಿಕ ಆದರೆ, ಹೆಚ್ಚು ಶಕ್ತಿ ಪೂರೈಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿಲ್ಲ, ಸಮಯವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗುತ್ತದೆ. ಕೊನೆಗೆ, ಘೋಷಿತ ವಿಧಾನವು LLMಗಳನ್ನು ಶೋಧಗಳಿಂದ ಉಣದ ವೈಲಂಬವನ್ನು ನಿರೀಕ್ಷಿಸಲು ಬಳಸಲು ಸಾಹಿತ್ಯಾ ಆಯಾ ವ್ಯಕ್ತಿಯು ಆರಿಸುವುದು ಕಷ್ಟವನ್ನು ಹೊಂದಿದೆ. ಆದರೆ, ಇದು ದುಬಾರಿ ಮತ್ತು ನಿಖರವಾಗಿದೆ.
eRAGನ ಸದುಪಯೋಗಗಳು
ಈ ವಿಚಾರದಲ್ಲಿ, ಸಲೇಮಿ ಮತ್ತು ಅವರ ಸಹೋದ್ಯೋಗಿ ಹಮೇಡ್ ಝಾಮಾನೀ eRAG ಅನ್ನು ರೂಪಿಸಿದ್ದಾರೆ, ಇದು ಘೋಷಿತ ವಿಧಾನಕ್ಕೆ ಹೋಲಿಸಿದಂತೆ ಹೆಚ್ಚು ಆರ್ಥಿಕವಾಗಿದೆ. eRAG ಮೂರು ಪಟ್ಟು ವೇಗವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಹಂವಾಜಾನ್ 50 ಪಟ್ಟು ಶಕ್ತಿ GPU ಅನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು ನಂಬಿಕೆಯ ಮಟ್ಟವನ್ನು ತಲುಪಿಸುತ್ತದೆ.
ಈ ಪ್ರಕ್ರಿಯೆ, ಬಳಕೆದಾರ ವ್ಯಕ್ತಿಯು LLM ಆಧಾರಿತ AI ಏಕಕಾಲದಲ್ಲಿ ಕಾರ್ಯವನ್ನು ನಿರ್ವಹಿಸಲು ಒಂದು ಏಕಕಾಲವನ್ನು ಉಳಿಸುತ್ತಾನೆ. ಏಕಕಾಲವು ಒಂದು ಶೋಧಲು एक्की ಮೇಲಿಟ್ಟ ಪಟ್ಟಿ ಐದರಿಂದ ಹೆಚ್ಚು ಫಲಿತಾಂಶಗಳನ್ನು ಬರುತ್ತದೆ. ನಂತರ, eRAG ಈ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಮೌಲ್ಯೀಕರಿಸುತ್ತದೆ ಮತ್ತು ಸೂಕ್ತ ಉತ್ತರವನ್ನು ಉತ್ಪಾದಿಸಲು ಹಿತಕಾರಿತಾದ ಶ್ರೇಣಿಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ.
ಶೋಧಗಳ ಸಾಧ್ಯತೆಗಳು
ಯಾವ ವಿಶೇಷ ಕಾರ್ಯಗಳನ್ನು ಶೋಧಿಸುತ್ತಿರುವುದಿಲ್ಲ; eRAGನ ಸಮಸ್ಯೆ ಇನ್ನು ಕ್ಷಿಪ್ರವಾಗಿ ಸಾಗುತ್ತಿದೆ, LLMಗಳು ತೀವ್ರವಾಗಿ ಹೆಚ್ಚು ಅಭಿರುಚಿ ಇದ್ದೆಯಿಲ್ಲ. ಅವುಗಳಲ್ಲಿ, ನಿಖರತೆ, ಆರ್ಥಿಕತೆ ಮತ್ತು eRAGನ ಅನುಷ್ಠಾನ ಸುಲಭವಾಗಿದೆ ಮತ್ತು ಕೃತ್ಯ बುದ್ಧಿಮತ್ತೆಯ ಅಬದ್ಧತೆಗಳಿಗೆ ತುಂಬಾ ನಿರ್ಣಾಯವಾಗಿದೆ.
ಈ ಶೋಧ ಏಕಕಾಲದಲ್ಲಿ SIGIR 2024 ಸಮಾವೇಶದಲ್ಲಿ Best Short Paper Award ಗೆ ಪ್ರಶಸ್ತಿಯು ದೊರಕಿಸಿದ್ದು. eRAGನ ಕೋಡ್ ಇರುವ Python ಪ್ರಧಾನ ವಿಷಯವು ಕೆಳಗಿನ ಸ್ಥಳದಲ್ಲಿ ದೊರಕುತ್ತದೆ: GitHub.
ಸಾಮಾನ್ಯ ಪ್ರಶ್ನೆಗಳ ಉತ್ತರ
eRAG ವಿಧಾನವೇನು ಮತ್ತು ಇದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ?
eRAG ಎನ್ನುವುದು ಹೊಸ ವಿಧಾನವಾಗಿದ್ದು, AI ಭಾಷಾ ಮಾದರಿಗಳಿಗಾಗಿ ಶೋಧಗಳ ನಂಬಿಕೆ ಮತ್ತು ಅನುಮಂಗವನ್ನು ಅಳೆಯಲು ಅನುಕೂಲ ನೀಡುತ್ತದೆ. ಇದು AI ಮತ್ತು ಶೋಧದ ಪರस्पರ ಕೆಲಸವನ್ನು ಮಾಡುವ ಮೂಲಕ, AI ಮಾದರಿಗಳು ಬಳಗಾಗಿ ಶೋಧ ಫಲಿತಾಂಶಗಳ ಗುಣಮಟ್ಟವನ್ನು ಆವರಿಸುತ್ತದೆ.
AI ಯುಗದಲ್ಲಿ ಶೋಧ ಹೊಡೆದು ಸಂದರ್ಭದಲ್ಲಿ ಪುನಃ ವ್ಯಾಖ್ಯಾನಿಸಲು ಏಕೆ ಅಗತ್ಯವಿದೆ?
ಪ್ರಥಮಿಕ ಶೋಧಗಳು ಮಾನವರಿಗೆ ಮಾತ್ರವೇ ವಿನ್ಯಾಸಗೊಂಡಿದ್ದು, AI ಭಾಷಾ ಮಾದರಿಗಳು, LLMಗಳಂತಹವು, ವಿಚಾರ ಖಂಡನೇ ಬೇರೆಯಾಗಿದೆ. ಈ ಹೊಸ ಆವಶ್ಯಕತೆಗಳಿಗೆ ದಾರಿ ನೀಡಲು ಮತ್ತು AI ಗೆ ವಿಸ್ತಾರವನ್ನು ಕಲ್ಪಿಸಲು ಪುನರಾವಲೋಕನ ಏಕೆ ಕರಗುತ್ತದೆ.
eRAG ವಿಧಾನವು ಪರಂಪರೆಯ ಪರಿಶೀಲನಾ ವಿಧಾನಗಳಿಗೆ ಹೋಲಿಸಿದಾಗ ಏನು ಪ್ರಯೋಜನಗಳು ?
eRAG ವಿಧಾನವು ಮೂರು ಪಟ್ಟು ವೇಗವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಶಕ್ತಿ GPU ಯನ್ನು 50 ಪಟ್ಟು ಬಡಿಸುತ್ತದೆ, ಮತ್ತು ವಿಶ್ರಾಂ ಪ್ರಶಾಂತ ವೈಶಿಷ್ಟ್ಯ ಹೊಣೆಯಲ್ಲಿ. ಇತರ ವಿಧಾನಗಳನ್ನು ಮಿತಿಯಲ್ಲಿರುವ ಸಮಸ್ಯೆ ಮತ್ತು ವ್ಯಭವಿಲ್ಲದ ಅವಕಾಶಗಳು ಹೇಳಲು ಸಾಧ್ಯ.
eRAG ಶೋಧಗಳ ನಡುವೆ AI ಗೆಗಳನ್ನು ಸುಧಾರಿಸಲಾಗುತ್ತದೆ ?
eRAG AI ಮತ್ತು ಶೋಧದ ನಡುವಿನ ಸಂವಾದವನ್ನು ಸುಗಮಗೊಳಿಸುತ್ತದೆ, ಇತರ ಪರಿಕರಗಳನ್ನು ಅನುಭವಿಸಿದೆ. ಇದರಿಂದ AI ಗೆಗಳನ್ನು ಮೃತಪಟ್ಟಂತೆ ಶೋಧಗಳನ್ನು ಸುಧಾರಿತವಾಗಿಸುತ್ತದೆ, ಪರಿಣಾಮವು ಉತ್ತಮಗೊಳ್ಳುತ್ತದೆ.
eRAG ಶೋಧ ಮಾರ್ಗದಲ್ಲಿ ನೀಡಲಾಗಿದೆ ?
eRAG ಶೋಧವನ್ನು SIGIR 2024 ಶೋದಲ್ಲಿ ಅಗತ್ಯವಾದ ನಾಯಕತ್ವ Award ಮೂಲಕ ಶ್ರೇಣೀಬದ್ಧಪಡಿಸಲಾಗಿದೆ, AI ಯುಗದಲ್ಲಿ ಮಾಹಿತಿಯ ಶೋಧವನ್ನು ವಿಸ್ತಾರಗೊಳಿಸಿದ್ದಾದ ರೀತಿಯ ಮೂಲಕ.
eRAG AI ಆಧಾರಿತ ಶೋಧಗಳನ್ನು ಸ್ಥಿತಿಗತಿಯ ತಲುಪಲು ?
eRAG ಪಟ್ಟೆಯ ಆಯಾ ಶ್ರೇಣಿಯ ಶೋಧಗಳ ಮೇಲೆ ದೇಶದಾರಿಗಳ ಜೊತೆ, AI ಒಂದೇ ಪರಿಕರವಾಗಿ ಅಂಗೀಕರಿಸುವ ಸಲುವಾಗಿ ಶೋಧಗಳನ್ನು ಬಳಸುವುದು ಸುಗಮಗೊಳಿಸಲಾಗುತ್ತದೆ.
eRAG ನ ಪ್ರಶ್ನೆಗೆ ಎದುರಿಸುತ್ತವೆ ?
eRAG ಕಳೆದ ವಿಚಾರಣೆಯನ್ನು ಅಗತ್ಯ ಉಲ್ಲೇಖವನ್ನು ಸುಧಾರಿಸುತ್ತದೆ ಮತ್ತು ದಾರಿ whakar ಸಾಧಿಸಲು ಸಂಕೀರ್ಣವನ್ನು ಪರಿಹರಿಸುತ್ತದೆ, ಮುಂದುಹೊರೆಯದ ಕಾರಣಗಳನ್ನು ವಿನಾಸಿಸಲಾಗಿ.
