1. Mellwane ya Catastrophic Forgetting le RAG
Ge AI e šomišwa mošomong wa kgonthe, e nngwe ya ditlhohlo tše dikgolo ke tiragalo ya go lebala ka kotsi (Catastrophic Forgetting), yeo e tšwelelago ge tsebo yeo e ithutilego nakong e fetilego e lokišetšwa ka data ye mpsha.
Se ke tiragalo yeo go yona AI yeo e theilwego godimo ga netweke ya methapo e lahlegelwago ka pela ke tsebo goba dipaterone tšeo e ithutilego pele, ge e ithuta tshedimošo e mpsha.
Ka mohlala, ge LLM ya mohl स्रोत wa go bulega e lokišetšwa ka data ya kgwebo ye e itšego, tsebo ya kakaretšo goba bokgoni bja polelo bo ka fokotšega.
Go efoga bothata bjo, theknolotši ya RAG(Retrieval-Augmented Generation) e šomišwa kudu, eupša RAG le yona e na le mellwane.
Mellwane ye megolo ya RAG
- Go se šomele ga tšwelopele ya datha ye e rulagantšwego (Structured Data QA): Ditshepedišo tša RAG di lokišeleditšwe kudu ditokumenteng tša sengwalwa tšeo di sa rulaganywago, ka fao ga di kgone go kwešiša goba go diriša gabotse tlhalošo le dikamano tša datha ye e rulagantšwego (ditafola, dipolokelo tša datha, dipampiri tša phatlalatšo, bjalobjalo).
- Mellwane ya di-PDF tše di raraganego/dokumente tše di sa rulaganywago (Complex PDFs): Ditokumente tša PDF tše di raraganego (tšeo di nago le ditafola, dikholomo tše dintši, diswantšho, bjalobjalo) di ka lahlegelwa ke tshedimošo goba tša šarakanywa moelelo nakong ya chunking (karoganyo). Ka lebaka leo, datha ya bohlokwa e ka se index-we goba gwa ba thata go e nyaka.
- Go hloka mmotlolo wa Fallback (Fallback Model(s)): Ge tshepedišo ya RAG e sa hwetše karabo ye e swanetšego, kgokagano ya go fetogela go mmotlolo wa go tšea legato (bekapo) e ka ba e sa lekana goba e sa šome gabotse. Ka lebaka leo, ge karabo e palelwa, modiriši ga a newe mokgwa wo mongwe wo o kgotsofatšago.
- Mafokodi a tšhireletšo (LLM Security): Tšhireletšo kgahlanong le mafokodi a tšhireletšo a LLM ka boyona (go tsenya ditaelo tše kotsi, go dutla ga datha, bjalobjalo) ga se ya lekana, gomme go na le kotsi ya gore tshedimošo ye e nago le maikwelo e utolwe.
- Go hloka scalability (Data Ingestion Scalability): Mathata a scalability a tšwelela nakong ya go index-a le go boloka datha ye ntši. Ge datha e dutše e oketšega, lebelo la chunking, polokelo le nyako le a fokotšega, gomme morwalo wa tshepedišo o a gola.
- Go tlogelwa ga tshedimošo ya bohlokwa (Missing Content): Diteng tša bohlokwa tša tokomane gantši di a tlogelwa nakong ya chunking goba ga di index-we. Ka lebaka leo, modiriši a ka se kgone go nyaka tshedimošo yeo a e nyakago.
- Go tlogelwa ga maemo a godimo a maemo (Missed Top Ranked): Chunk yeo e nago le kamano e kgolo kudu (ya maemo a godimo) e ka tlogelwa dipoelong tša nyako. Mabaka a ka akaretša mellwane ya algorithm ya nyako, boleng bjo bo fokotšegilego bja embedding le diphošo tša go beakanya maemo.
- Go se dumelelane ga moelelo (Not in Context): Gantši chunk yeo e nyakilwego ga e dumelelane le moelelo wa potšišo ya nnete. Se se bakwa ke mellwane ya nyako yeo e theilwego fela go go swana, yeo e nago le kgokagano ye e sa lekanago ya semantiki.
- Phošo ya sebopego (Wrong Format): Sebopego sa chunk yeo e nyakilwego se ka se swanele go šongwa ke LLM, goba se ka fapana le sebopego sa karabo seo modiriši a se nyakago. Ka mohlala, tafola e ka fetolelwa go sengwalwa gomme tshedimošo ya yona ya šarakanywa.
- Go palelwa ke go ntšha tshedimošo (Not Extracted): Tshedimošo ye e nyakegago e ka se ntšhwe gabotse go tšwa go chunk, goba LLM e ka palelwa ke go e lemoga. Se se direga gantši ka dibopego tša mafoko tše di raraganego, ditafola le diswantšho.
- Bogolo/botebo bja tshedimošo bjo bo sa swanelago (Incorrect Specificity): Karabo e ka ba ye e akaretšago kudu mabapi le potšišo, goba ka lehlakoreng le lengwe ya ba ye e lebanyago kudu, gomme ka fao ya se dumelelane le dinyakwa tša nnete tša modiriši. Go thata go beakanya bogolo le botebo bja tshedimošo.
- Karabo ye e sa felelago (Incomplete): Karabo yeo e tšweleditšwego mafelelong e ka se felele goba ya nea fela tshedimošo e itšego, gomme ya se kgotsofatše dinyakwa tša modiriši ka botlalo. Mabaka a ka ba go palelwa ke go kopanya tshedimošo go tšwa go di-chunk tše mmalwa goba LLM e diriša karolo e itšego fela ya tshedimošo.
Ka ge RAG e ithekgile kudu ka go nyaka go swana ga dibektara le go dira indexing yeo e theilwego go di-chunk, mellwane ya yona mabapi le go botega, go katološega le go nepagala mošomong wa nnete e bonagala gabotse.
2. Clevi Semantic Database yeo e fenyago mellwane ya RAG
Go fenya mellwane ye, CLEVI e hlamile motheo wa tsebo wa AI wa moloko o latelago, e lego kgokagano ya semantiki, go nea mabaka a raraganego le dikarabo tše di theilwego bohlatseng, wo o lokišeditšwego Clevi Semantic Database.
Tharollo ye e kgonagala ka gobane CLEVI e na le ka moka: mmotlolo wa yona wa Reasoning, AI ya multimodal le dimotlolo tša AI tša mohuta wa agent; gape ke ye nngwe ya ditheknolotši tše maatla tša CLEVI tšeo di dirago gore AI e thuše e le ka kgonthe bophelong bja nnete.
Ka seswantšho, ge re tšea gore database yeo tshedimošo e bolokilwego go yona ke bokgobapuku, Clevi Semantic Database yona e ka swantšhwa le ge e na le mohlokomedi wa dipuku yo a nago le bokgoni bjo bogolo. (Ge o kgopela mohlokomedi wa dipuku tshedimošo yeo o e hlokago, o hwetša karabo ye e nepagetšego le ye akgofilego.)
Badiriši ba ka oketša tshedimošo e mpsha bokgobapukung le go hwetša tshedimošo yeo ba e hlokago nako efe goba efe.
Godimo ga moo, ba ka beakanya taolo ya diphetolelo tša datha le ditumelelo tša phihlelelo ka tsela yeo ba e ratago.
Ditiro ka moka tša mohlokomedi wa dipuku di bolokwa e le log (rekoto), ka gona le ge phošo e ka direga, e ka lokišwa.
<Clevi Semantic Database Structure>
Dikarolo tše kgolo le sebopego sa theknolotši
Poloko ya datha ya semantiki
- Go e na le chunk vector DB ye bonolo, e boloka dikamano tša semantiki magareng ga datha (kamano, maemo, sebaki le ditlamorago bj.bj.) go graph DB
- Go bonolo go e katološa le go e tlaleletša ka sebopego sa knowledge graph/semantic network
Nyako ya hybrid le go nea mabaka
- CTA+Context Query: E akaretša mmogo maemo a potšišo (Context) le CTA
- Hybrid Retrieval: E kopanya go hwetša go theilwego go go swana ga dibektara le go nyaka go theilwego go melao/graph
- Intelligent Folder Hits: E utolla ka maitirišo difoldara/dihlopha tšeo di tswalanago ka semantiki
Tshepedišo ya multimodal ka nako e tee
- TextReader Pool, VisionReader Pool le tše dingwe di hlatholla ka nako e tee datha ya mehuta e fapafapanego, go akaretša sengwalwa, diswantšho, ditafola le modumo
- Ge RAG ya setšo gantši e kgona go šoma ka sengwalwa fela, Semantic Database yona e na le bokgoni bjo bobotse kudu bja go šoma ka multimodal
Dikarabo tše di theilwego bohlatseng le netefatšo ya go botega
- Dikakaretšo tša Ditokomane le Ditšupetšo, Dikutollo tša Tafola bj.bj. — go itirela dikakaretšo tša ditokomane le methopo
- Merge & Verify: Kopanyo ya semantiki ya tshedimošo go tšwa methopong e mentši le netefatšo ya go botega
- Evidence Pack: Go fana ka sephuthelwana sa dikarabo tšeo di theilwego bohlatseng
Go akaretša go rarolla mathata le morulaganyi
- Planner/DAG: Peakanyo ya dikgato ka dikgato le go fahlela go theilwego go DAG (Directed Acyclic Graph) bakeng sa dipotšišo tše raraganego
Sebopego sa moemedi se se kopantšwego
- cip-5-agent Supervisor: Moemedi wa maemo a godimo yo a laolago le go kgokaganya tshepedišo ka moka ya go nyaka, go fahlela le go kopanya
3. Kakaretšo le papetšo ya sebopego
Ka bokopana, Semantic DB e amogela datha tša dibopego tše di fapanego (mantšu, sengwalwa, diswantšho, dibidio bj.bj.) gomme e di hlopha bjalo ka tsebo ka go kgokaganya e sego feela di-Chunk tše bonolo, eupša le dikamano tša semantiki magareng ga datha (kamano, tatelano ya maemo, sebaki le ditlamorago bj.bj.).
Ka lebaka la se, go e na le go nyaka le go fahlela go theilwego mantšung a bohlokwa goba go swana ga tšona bjalo ka RAG, e diriša dikgokagano tša semantiki, ka gona AI e ka fana ka go nyaka tshedimošo le dikarabo tše di nepagetšego kudu.
Go oketša moo, ka ge e bolokwa ka sebopego sa kerafo ya tsebo goba netweke ya semantiki, go bonolo go e katološa le go e tlaleletša ka tšwelopeleng.
CLEVI ya rena e lemogile mellwane ya ditshepedišo tša RAG mehleng ya phetogo e kgolo ya AI, gomme ka Semantic Database yeo e ka rarollago se le mehlala ya rena ya AI, bjale re kgona go araba bareki ka datha ye e nepagetšego le ye e botegago ka pela.
Tshepedišo ya AI ya CLEVI ya rena e ka dira gore datha ya bohlokwa ya bareki e be le mohola tikologong efe goba efe, go sa šetšwe mohuta wa lefapha.
Le nakong e tlago, CLEVI e tla tšwela pele go šoma ka maatla go godiša mohola wa datha ya bareki le go fana ka maitemogelo a boitlhamelo a AI.
Hle itemogele bokamoso bjo bofsa bja AI mmogo le CLEVI.
Dipotšišo le dikgopelo tša pontšho: [email protected]
Copyright© 2025 Clevi Inc. Ditokelo ka moka di šireleditšwe.