IA generativa no Microsoft Azure (Portuguese Edition)

Capítulo 4. GeraçãoAumentada por Recuperação

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: [e-mail]

Neste capítulo, vamos nos aprofundar em uma das aplicações mais impactantes da GenAI: a geração aumentada por recuperação (RAG). Vamos examinar seus princípios fundamentais, explorar diferentes variantes de implementação adaptadas a casos de uso específicos e focar em soluções baseadas em Azure para implantar a RAG de forma eficaz.

Os modelos tradicionais de GenAI, apesar de suas capacidades impressionantes, têm limitações inerentes que muitas vezes prejudicam seu desempenho em cenários práticos do mundo real. Esses modelos dependem exclusivamente do conhecimento estático adquirido durante o treinamento, geralmente tendo uma data limite de conhecimento além da qual nenhuma informação nova é incorporada. Consequentemente, eles são incapazes de acessar ou utilizar informações que surgem após o término do treinamento. Além disso, os modelos generativos tradicionais são suscetíveis de produzir informações que parecem plausíveis, mas que são incorretas, comumente chamadas de “alucinações”, especialmente ao responder a consultas detalhadas ou altamente especializadas.

Para resolver essas limitações, o RAG oferece uma solução transformadora ao integrar fontes de conhecimento externas diretamente no processo generativo. Ao contrário dos modelos generativos independentes, o RAG recupera dinamicamente informações relevantes ...