1. Ny fetran'ny Catastrophic Forgetting sy ny RAG
Rehefa ampiharina amin'ny asa tena izy ny AI, iray amin'ireo olana lehibe indrindra ny trangan-javatra antsoina hoe fanadinoana mahatsiravina (Catastrophic Forgetting), izay mitranga rehefa ampifanarahina amin'ny alalan'ny fanofanana fanampiny amin'ny angona vaovao ny fahalalana efa nianarana.
Trangan-javatra iray izy io izay ahavery tampoka ny fahalalana na ny lamina nianarana teo aloha, mandritra ny fizotran'ny AI mifototra amin'ny tambajotra neuronaly hianarana vaovao.
Ohatra, raha ampifanarahina amin'ny alalan'ny fanofanana fanampiny amin'ny angon'ny orinasa iray ny LLM loharano misokatra, dia mety hihena ny fahalalana ankapobeny na ny fahaizana amin'ny fiteny.
Mba hialana amin'izany olana izany dia ampiasaina betsaka ny teknika RAG(Retrieval-Augmented Generation), saingy manana fetrany ihany koa ny RAG.
Ny fetra lehibe amin'ny RAG
- Tsy ampy ny fanodinana angona voarafitra (Structured Data QA): Ny rafitra RAG dia natao indrindra ho an'ny antontan-taratasy misy lahatsoratra tsy voarafitra, ka tsy mahavita mahatakatra na mampiasa araka ny tokony ho izy ny dikan-teny sy ny fifandraisan'ny angona voarafitra (tabilao, tahiry, takelaka kajy, sns.).
- Fetra amin'ny PDF sarotra/antontan-taratasy tsy voarafitra (Complex PDFs): Amin'ny antontan-taratasy PDF sarotra (misy tabilao, tsanganana maro, sary, sns.), mety hisy fampahalalana very na hivadika ny toe-javatra mandritra ny dingan'ny chunking (fizarazarana). Vokatr'izany, mety tsy ho voa-index-na ny angona manan-danja na ho sarotra ny fitadiavana azy.
- Tsy fisian'ny maodely Fallback (Fallback Model(s)): Rehefa tsy mahita valiny mety ny rafitra RAG, dia tsy ampy na tsy mahomby ny lojika fampitodihana any amin'ny maodely hafa (backup). Vokatr'izany, rehefa tsy mahomby ny valiny dia tsy omena safidy mahafa-po ho an'ny mpampiasa.
- Fahalemen'ny fiarovana (LLM Security): Tsy ampy ny fiarovana amin'ny fahalemen'ny fiarovana ao amin'ny LLM mihitsy (prompt injection, fivoahan'ny angona, sns.), ka mety hiseho ny loza amin'ny famoahana fampahalalana saro-pady.
- Tsy fahampian'ny scalability (Data Ingestion Scalability): Miseho ny olana amin'ny scalability mandritra ny fanondroana sy fitehirizana angona be dia be. Arakaraka ny hitomboan'ny angona no ihemoran'ny hafainganam-pandehan'ny chunking, fitehirizana ary fikarohana, ary mitombo ny enta-mavesatry ny rafitra.
- Fahaverezan'ny fampahalalana manan-danja (Missing Content): Matetika ny votoaty manan-danja ao amin'ny antontan-taratasy dia very mandritra ny chunking na tsy voa-index-na. Vokatr'izany, tsy afaka mitady ny fampahalalana tadiaviny ny mpampiasa.
- Tsy fahitana ny laharana ambony (Missed Top Ranked): Mety tsy ho hita ao amin'ny valin'ny fikarohana ny chunk tena mifandraika indrindra (laharana ambony). Anisan'ny antony izany ny fetran'ny algorithma fikarohana, ny fihenan'ny kalitaon'ny embedding ary ny fahadisoan'ny filaharana.
- Tsy fifanarahan'ny toe-javatra (Not in Context): Matetika ny chunk voakaroka dia tsy mifanaraka amin'ny toe-javatra tena misy amin'ny fanontaniana. Noho ny fetran'ny fikarohana mifototra amin'ny fitoviana tsotra dia tsy ampy ny fifandraisana ara-dikany.
- Fahadisoan'ny endrika (Wrong Format): Mety tsy hifanaraka amin'ny fanodinana ataon'ny LLM ny endriky ny chunk voakaroka, na tsy hitovy amin'ny endrika valiny tadiavin'ny mpampiasa. Ohatra, mety hivadika ny fampahalalana rehefa avadika ho lahatsoratra ny tabilao.
- Tsy fahombiazan'ny fakana fampahalalana (Not Extracted): Mety tsy ho voafaka araka ny tokony ho izy ao amin'ny chunk ny fampahalalana ilaina, na mety tsy hahafantatra ilay fampahalalana ny LLM. Matetika izany no mitranga amin'ny firafitry ny fehezanteny sarotra, tabilao ary sary.
- Tsy fahatomombanan'ny sahan-kevitra/lalina (Incorrect Specificity): Mety ho ankapobeny loatra ny valiny momba ny fanontaniana, na mifanohitra amin'izany, ho voafaritra loatra ka tsy mifanaraka amin'ny tena ilain'ny mpampiasa. Sarotra ny mandanjalanja ny sahan-kevitra sy ny halalin'ny fampahalalana.
- Valiny tsy feno (Incomplete): Mety ho tsy feno ny valiny novokarina farany, na hanome ampahany amin'ny fampahalalana fotsiny ka tsy hahafeno tsara ny zavatra takin'ny mpampiasa. Anisan'ny antony izany ny tsy fahafahana manambatra fampahalalana avy amin'ny chunk maro, na ny fampiasan'ny LLM ampahany ihany amin'ny fampahalalana.
Ийнхүү RAG нь энгийн векторын ижил төстэй байдлын хайлт болон chunk-д суурилсан индексжүүлэлтэд хэт их найддаг тул бодит ажлын орчинд найдвартай байдал, өргөтгөх боломж, нарийвчлалын хувьд тодорхой хязгаарлалтай байдаг.
2. RAG-ийн хязгаарлалтыг даван туулсан CLEVI-ийн семантик өгөгдлийн сан
Эдгээр хязгаарлалтыг даван туулахын тулд CLEVI нь утгын холбоос, нийлмэл дүгнэлт, нотолгоонд суурилсан хариулт-д оновчлогдсон дараагийн үеийн AI мэдлэгийн дэд бүтэц болох Clevi Semantic Database-ийг хөгжүүлсэн.
Энэ нь өөрийн Reasoning загвар, мультимодал AI болон агентлагт AI загваруудыг бүгдийг нь эзэмшдэг CLEVI-ийн хувьд боломжтой болсон шийдэл бөгөөд AI-г бодит амьдралд үнэхээр хэрэгтэй болгодог CLEVI-ийн хүчирхэг технологийн нэг юм.
Зүйрлэвэл, мэдээлэл хадгалагддаг өгөгдлийн санг номын сан гэж үзвэл CLEVI-ийн семантик өгөгдлийн сан нь маш чадварлаг номын санчтай адил юм. (Номын санчаас шаардлагатай мэдээллээ асуувал үнэн зөв, хурдан хариулт авах боломжтой.)
Хэрэглэгчид хүссэн үедээ номын санд шинэ мэдээлэл нэмж, шаардлагатай мэдээллээ дуудаж авах боломжтой.
Мөн өгөгдлийн хувилбарын удирдлага болон хандалтын эрхийг хүссэнээрээ тохируулах боломжтой.
Номын санчийн бүх үйлдэл логт (бүртгэлд) хадгалагддаг тул алдаа гарсан ч засах боломжтой.
<Clevi Semantic Database Structure>
Үндсэн онцлог ба технологийн бүтэц
Семантик өгөгдөл хадгалалт
- Энгийн chunk вектор DB бус, өгөгдлүүдийн хоорондын утгын харилцаа (контекст, шатлал, шалтгаан-үр дагавар зэрэг)-г граф DB-д хадгална
- Мэдлэгийн график/семантик сүлжээний хэлбэрээр өргөтгөж, нөхөн баяжуулахад хялбар
Хосолмол хайлт ба дүгнэлт
- CTA+Context Query: Асуулгын контекст (Context) болон CTA-г хамтад нь тусгана
- Hybrid Retrieval: Векторын ижил төстэй байдлын хайлт болон дүрэм/графикт суурилсан хайлтыг хослуулна
- Intelligent Folder Hits: Утгын хувьд холбоотой хавтас/ангиллыг автоматаар хайна
Мультимодал зэрэг боловсруулалт
- TextReader Pool, VisionReader Pool зэрэг текст, зураг, хүснэгт, дуу хоолой зэрэг төрөл бүрийн өгөгдлийг зэрэг тайлбарлана
- Одоогийн RAG нь голчлон зөвхөн текст боловсруулах боломжтой байдаг бол семантик өгөгдлийн сан нь мультимодал боловсруулах өндөр чадвартай
Нотолгоонд суурилсан хариулт ба найдвартай байдлын баталгаажуулалт
- Famintinana sy Tondro avy amin’ny Tahirin-kevitra, Famantarana ny Votoatin’ny Tabilao: famoronana ho azy ny famintinana ny tahirin-kevitra sy ny loharano
- Merge & Verify: fampifangaroana semantika sy fanamarinana ny fahatokisana ny vaovao avy amin’ny loharano maro
- Evidence Pack: fanomezana fonosam-pamaly mifototra amin’ny porofo
Fandinihana sarotra sy planner
- Planner/DAG: drafitra tsikelikely sy fandinihana mifototra amin’ny DAG (Directed Acyclic Graph) ho an’ny fanontaniana sarotra
Firafitry ny agent mitambatra
- cip-5-agent Supervisor: agent ambony indrindra mitantana sy mandrindra ny dingana manontolo amin’ny fikarohana/fandinihana/fampiraisana
3. Famintinana sy fampitahana ny firafitra
Raha fintinina, ny Semantic DB dia mandray angona amin’ny endrika isan-karazany (feo, lahatsoratra, sary, horonan-tsary, sns.) ary manasokajy ny fahalalana amin’ny fampifandraisana tsy ny Chunk tsotra ihany, fa koa ny fifandraisana semantika eo amin’ny angona (toe-javatra, ambaratonga, antony sy vokany, sns.).
Mifototra amin’izany, satria manao fikarohana sy fandinihana amin’ny alalan’ny fifandraisana semantika izy fa tsy fikarohana mifototra amin’ny teny fototra/fitoviana toy ny RAG, dia afaka mahazo fikarohana vaovao sy valiny marina kokoa avy amin’ny AI ianao.
Ankoatra izany, satria tehirizina amin’ny endriky ny kisary fahalalana/tambajotra semantika izy, dia mora ny manitatra sy mameno azy hatrany.
Ny CLEVI dia nahita ny fetran’ny rafitra RAG tamin’ny vanim-potoanan’ny fiovan’ny AI lehibe, ary amin’ny alalan’ny tahiry angona semantika sy ny maodely AI manokana novolavolainay hamahana izany, dia afaka mamaly haingana kokoa amin’ny angona marina sy azo itokisana kokoa ho an’ny mpanjifa.
Ny rafitra AI an’ny CLEVI dia afaka manome lanja ny angona sarobidin’ny mpanjifa, na inona na inona tontolo iasana na sehatra misy azy.
Hiezaka hatrany ny CLEVI mba hampitombo indrindra ny lanjan’ny angon-drakitra ananan’ny mpanjifa sy hanome traikefa AI manavao.
Manasa anao izahay hiaina ny hoavin’ny AI vaovao miaraka amin’ny CLEVI.
Fanontaniana sy fangatahana demo: [email protected]
Copyright© 2025 Clevi Inc. Zo rehetra voatokana.