O que é retrieval-augmented generation?
Retrieval-augmented generation (RAG) combina duas etapas: a recuperação, que encontra as informações mais relevantes em uma fonte confiável, e a geração, em que um modelo de linguagem escreve uma resposta com base nessas informações. O termo vem de um artigo científico de 2020 e desde então é uma forma comum de criar assistentes de IA sobre o conhecimento de uma empresa.
Sem recuperação, um modelo de linguagem responde com base em padrões aprendidos no treinamento, que podem estar desatualizados ou simplesmente não incluir a sua empresa. O RAG dá ao modelo o material certo para trabalhar no momento da pergunta.
Como funciona o RAG?
- Preparar as fontes. Documentos ou registros são indexados para permitir a pesquisa, muitas vezes por significado e não por palavras exatas.
- Recuperar. Quando chega uma pergunta, o sistema encontra os trechos ou registros mais relevantes para ela.
- Aumentar. O conteúdo recuperado é adicionado à entrada do modelo junto com a pergunta.
- Gerar. O modelo escreve uma resposta com base nesse conteúdo e, idealmente, indica de onde ele veio.
Qual é um exemplo de retrieval-augmented generation?
Respostas a partir das diretrizes da marca
Um redator pergunta a um assistente interno se um produto pode ser chamado de “ecológico” em um mercado específico. Sem recuperação, o modelo dá conselhos genéricos.
Com RAG, o assistente primeiro recupera a seção relevante das diretrizes de marca e jurídicas da empresa, depois responde com base nela e inclui o link para a fonte, para que o redator possa verificar.
RAG vs. fine-tuning vs. camada semântica
Essas abordagens resolvem problemas diferentes e muitas vezes são usadas em conjunto.
| RAG | Fine-tuning | Camada semântica | |
|---|---|---|---|
| O que faz | Fornece conteúdo relevante ao modelo no momento da pergunta | Retreina o modelo com exemplos | Define o que significam os dados e as métricas de negócio |
| Ideal para | Documentos, políticas, conhecimento | Estilo, formato, tarefas especializadas | Respostas numéricas consistentes a partir de dados de negócio |
| Mantém as respostas atualizadas | Sim, conforme as fontes são atualizadas | Só após novo treinamento | Sim, lê dados governados atualizados |
| Mostra as fontes | Pode citar os trechos recuperados | Não | Rastreia os números até a sua origem |
Por que o RAG é importante e quais são os seus limites?
- Respostas mais precisas. A fundamentação em fontes confiáveis reduz fatos inventados.
- Informações atuais. As respostas refletem os documentos mais recentes sem retreinar o modelo.
- Resultados verificáveis. As respostas podem indicar as fontes que usaram.
- Limites com números. Recuperar texto não é o mesmo que calcular métricas corretamente. Para dados de performance, a IA também precisa de dados governados e definições compartilhadas.
- Qualidade de entrada, qualidade de saída. Se o conteúdo recuperado estiver errado ou desatualizado, a resposta também estará.
Como Alli faz isso?
Ask Alli, parte do Alli by PMG, fundamenta as suas respostas nos dados governados da sua empresa, e não em conhecimento geral. Cada solicitação é resolvida com base nas definições compartilhadas no Alli Semantic Layer, que associa a pergunta às métricas, dimensões e regras de negócio governadas que as suas equipes já definiram em conjunto.
Cada resposta é rastreável: é possível ver os dados, a lógica e a fonte por trás dela. Como todos os produtos do Alli leem a mesma fundação governada, uma resposta no Ask Alli coincide com os dashboards e relatórios criados sobre os mesmos dados.
Explorar Ask AlliPerguntas frequentes sobre retrieval-augmented generation
O que significa RAG?
RAG significa retrieval-augmented generation: primeiro recuperar informações relevantes e depois gerar uma resposta a partir delas.
O RAG elimina as alucinações de IA?
Reduz as alucinações ao fundamentar as respostas em fontes confiáveis, mas não as elimina. Mostrar as fontes e manter pessoas no processo ainda é importante.
Qual é a diferença entre RAG e fine-tuning?
O RAG fornece informações relevantes no momento da pergunta. O fine-tuning retreina o modelo com exemplos para mudar o seu comportamento. O RAG costuma ser a melhor opção para manter as respostas atualizadas.
O RAG é suficiente para análises de dados de negócio?
Sozinho, não. Os números precisam ser calculados de forma consistente, o que exige dados governados e definições de métricas compartilhadas, como uma camada semântica, junto com qualquer recuperação.
Última atualização: Voltar ao glossário