Was sind die Hauptkomponenten der grundlegenden Retrieval-Augmented Generation (RAG)?

Retrieval-Augmented Generation (RAG) ist ein Ansatz in der Verarbeitung natürlicher Sprache, der die Extraktion relevanter Informationen aus externen Quellen mit der Textgenerierung auf Basis dieser Informationen kombiniert.

Hauptkomponenten des grundlegenden RAG:

1. Retriever (Abrufer)

   • Modell oder Algorithmus, der relevante Dokumente oder Fragmente aus einer Wissensdatenbank oder einem Korpus sucht und extrahiert.
   • Verwendet in der Regel Methoden der Suche anhand von Vektor-Darstellungen (Embedding) oder traditionellen Suchindizes.

2. Generator (Generator)

   • Textgenerierungsmodell (z.B. Transformer), das die ursprüngliche Anfrage und die extrahierten Dokumente verarbeitet.
   • Erzeugt eine Antwort unter Berücksichtigung des Kontexts der abgerufenen Dokumente.

3. Wissensdatenbank (Knowledge Base)

   • Speicher für Dokumente, Texte oder Daten, aus denen Informationen extrahiert werden.

4. Integration von Retriever und Generator

   • Mechanismus, der die Ergebnisse der Extraktion mit der Generierung verbindet, um die Qualität und Genauigkeit der Antworten zu verbessern.

Auf diese Weise ermöglicht RAG die Erstellung von informierteren und kontextbezogenen Antworten, indem es die Suche nach Wissen und die Generierung natürlicher Sprache kombiniert.