수년 동안 검색 엔진과 데이터베이스는 필수 키워드 매칭에 의존하여 종종 단편화되고 컨텍스트에 해당하는 결과로 이어졌습니다. 생성 AI의 도입 및 출현 검색 세대 (rag) 전통적인 정보 검색을 변환하여 AI가 방대한 소스에서 관련 데이터를 추출하고 구조화 된 일관된 응답을 생성 할 수있게했습니다. 이 개발은 정확도를 향상시키고 잘못된 정보를 줄이며 AI 구동 검색을보다 대화식으로 만들었습니다.
그러나 래그는 텍스트를 검색하고 생성하는 데 탁월하지만 표면 수준 검색으로 제한됩니다. 새로운 지식을 발견하거나 추론 과정을 설명 할 수 없습니다. 연구자들은 투명하고 설명 가능한 논리로 추론, 문제 해결 및 의사 결정을 할 수있는 실시간 사고 기계로 래그를 형성함으로써 이러한 격차를 해결하고 있습니다. 이 기사는 래그의 최신 개발을 탐구하여 더 깊은 추론, 실시간 지식 발견 및 지능적인 의사 결정을 향한 래그를 유도하는 발전을 강조합니다.
정보 검색에서 지능형 추론에 이르기까지
구조화 된 추론은 헝겊의 진화로 이어진 주요 발전입니다. 생각한 추론 (COT) LLM (Large Language Model)이 아이디어를 연결하고 복잡한 문제를 해결하며 응답을 단계별로 개선 할 수있게함으로써 개선되었습니다. 이 방법은 AI가 맥락을 더 잘 이해하고 모호성을 해결하며 새로운 도전에 적응하는 데 도움이됩니다.
의 개발 에이전트 AI AI가 작업을 계획하고 실행하고 추론을 개선 할 수 있도록 이러한 기능을 더욱 확장했습니다. 이러한 시스템은 데이터를 분석하고 복잡한 데이터 환경을 탐색하며 정보에 입각 한 결정을 내릴 수 있습니다.
연구원들은 COT 및 에이전트 AI를 RAG와 통합하여 수동적 검색을 넘어서 더 깊은 추론, 실시간 지식 발견 및 구조화 된 의사 결정을 수행 할 수있게 해줍니다. 이러한 변화로 인해 RAT (Restrieval-Augmented Thoughts), RAR (Resprieved-Augmented Orady) 및 에이전트 RAR과 같은 혁신이 발생하여 AI가 실시간으로 지식을 분석하고 적용하는 데 더 능숙하게 만듭니다.
Genesis : 검색 세대 (rag)
걸레는 주로였습니다 개발 LLMS (Large Language Model)의 주요 제한 사항을 해결하기 위해 정적 훈련 데이터에 의존합니다. LLM은 실시간 또는 도메인 별 정보에 액세스하지 않으면 부정확하거나 오래된 응답을 생성 할 수 있으며, 환각. Rag는 정보 검색 기능을 통합하여 LLM을 향상시켜 외부 및 실시간 데이터 소스에 액세스 할 수 있습니다. 이를 통해 응답이 더 정확하고 권위있는 출처에 근거가 있으며 상황에 따라 관련이 있습니다.
RAG의 핵심 기능은 구조화 된 프로세스를 따릅니다. 첫째, 데이터는 벡터 공간의 숫자 표현을 포함시키고 효율적인 검색을 위해 벡터 데이터베이스에 저장됩니다. 사용자가 쿼리를 제출하면 시스템은 쿼리의 임베딩을 저장된 임베딩과 비교하여 관련 문서를 검색합니다. 검색된 데이터는 원래 쿼리에 통합되어 응답을 생성하기 전에 LLM 컨텍스트를 풍부하게합니다. 이 접근 방식을 사용하면 챗봇과 같은 애플리케이션이 회사 데이터에 액세스하거나 검증 된 소스의 정보를 제공하는 AI 시스템에 액세스 할 수 있습니다.
RAG는 문서를 나열하는 대신 정확한 답변을 제공하여 정보 검색을 개선했지만 여전히 제한 사항이 있습니다. AI 시스템을 진정한 지식 발견 도구로 만드는 데 필수적인 논리적 추론, 명확한 설명 및 자율성이 부족합니다. 현재 RAG는 검색하는 데이터를 진정으로 이해하지 못합니다. 구조화 된 방식으로만 구성하고 제시합니다.
검색된 생각 (쥐)
연구원들이 소개했습니다 검색된 생각 (쥐) 추론 능력으로 헝겊을 향상시킵니다. 응답을 생성하기 전에 정보를 한 번 검색하는 전통적인 래그와 달리 래트는 추론 과정에서 여러 단계에서 데이터를 검색합니다. 이 접근법은 결론을 개선하기 위해 정보를 지속적으로 수집하고 재평가함으로써 인간의 사고를 모방합니다.
래트는 구조적이고 다단계 검색 프로세스를 따라 AI가 반복적으로 반응을 향상시킬 수 있습니다. 단일 데이터 페치에 의존하는 대신 추론을 단계별로 개선하여보다 정확하고 논리적 인 출력을 초래합니다. 다단계 검색 프로세스를 통해 모델은 추론 프로세스를 간략하게 설명 할 수있어 쥐를보다 설명 가능하고 신뢰할 수있는 검색 시스템으로 만듭니다. 또한 동적 지식 주입은 추론의 진화에 기초하여 필요에 따라 새로운 정보를 통합하여 검색이 적응력이 있음을 보장합니다.
검색 추론 (RAR)
하는 동안 검색된 생각 (쥐) 다단계 정보 검색을 향상 시키면 논리적 추론을 본질적으로 향상시키지 않습니다. 이를 해결하기 위해 연구원들은 RAR (Retrive-Augmented Orady)을 개발하여 상징적 추론 기술, 지식 그래프 및 규칙 기반 시스템을 통합하여 AI가 순수한 통계적 예측보다는 구조화 된 논리적 단계를 통해 정보를 처리하도록 보장하는 프레임 워크를 개발했습니다.
RAR의 워크 플로에는 사실 스 니펫이 아닌 도메인 별 소스에서 구조화 된 지식을 검색하는 것이 포함됩니다. 그런 다음 상징적 추론 엔진은이 정보를 처리하기 위해 논리적 추론 규칙을 적용합니다. 수동적으로 데이터를 집계하는 대신 시스템은 중간 추론 결과를 기반으로 쿼리를 반복적으로 개선하여 응답 정확도를 향상시킵니다. 마지막으로, RAR은 결론을 내린 논리적 단계와 참조를 자세히 설명하여 설명 가능한 답변을 제공합니다.
이 접근법은 AI가 복잡한 의사 결정을보다 정확하게 처리 할 수있는 법률, 금융 및 건강 관리와 같은 산업에서 특히 가치가 있습니다. 논리적 프레임 워크를 적용함으로써 AI는 합리적이고 투명하며 신뢰할 수있는 통찰력을 제공하여 결정이 순수한 통계적 예측보다는 명확하고 추적 가능한 추론을 기반으로하는지 확인할 수 있습니다.
에이전트 RAR
RAR의 추론 발전에도 불구하고, 그것은 여전히 지식 발견 접근법을 적극적으로 정제하지 않고 쿼리에 응답하여 반응적으로 작동합니다. 에이전트 검색 추론 (에이전트 RAR) 자율적 의사 결정 기능을 포함시켜 AI를 한 단계 더 발전시킵니다. 이러한 시스템은 수동적으로 데이터를 검색하는 대신 지식 획득 및 문제 해결을 반복적으로 계획, 실행 및 개선하여 실제 과제에보다 적응할 수 있도록합니다.
에이전시 RAR은 복잡한 추론 작업을 수행 할 수있는 LLM, 데이터 분석 또는 검색 최적화와 같은 도메인 별 애플리케이션을 위해 교육을받은 전문 에이전트 및 새로운 정보를 기반으로 동적으로 진화하는 지식 그래프를 통합합니다. 이러한 요소는 복잡한 문제를 해결하고 새로운 통찰력에 적응하며 투명하고 설명 가능한 결과를 제공 할 수있는 AI 시스템을 만들기 위해 함께 작동합니다.
미래의 의미
RAG에서 RAR 로의 전환과 에이전트 RAR 시스템의 개발은 정적 정보 검색을 넘어 RAG를 이동하여 정교한 추론 및 의사 결정이 가능한 역동적이고 실시간 사고 기계로 변환하는 단계입니다.
이러한 발전의 영향은 다양한 분야에 걸쳐 있습니다. 연구 개발에서 AI는 복잡한 데이터 분석, 가설 생성 및 과학적 발견을 지원하여 혁신을 가속화 할 수 있습니다. 금융, 의료 및 법률에서 AI는 복잡한 문제를 처리하고 미묘한 통찰력을 제공하며 복잡한 의사 결정 프로세스를 지원할 수 있습니다. 깊은 추론 능력으로 구동되는 AI Assistant는 사용자의 진화하는 요구에 적응하여 개인화되고 상황에 맞는 응답을 제공 할 수 있습니다.
결론
검색 기반 AI에서 실시간 추론 시스템으로의 전환은 지식 발견에서 중요한 진화를 나타냅니다. Rag는 더 나은 정보 합성을 위해 토대를 마련했지만 RAR 및 에이전트 RAR AI는 자율 추론 및 문제 해결을 향해 푸시합니다. 이러한 시스템이 성숙함에 따라 AI는 지식 발견, 비판적 분석 및 여러 도메인의 실시간 인텔리전스 분야에서 단순한 정보 보조원에서 전략적 파트너로 전환 할 것입니다.
게시물 RAG 후 진화 : AI의 정보 검색에서 실시간 추론으로의 여정 먼저 나타났습니다 Unite.ai.