Retrieval-Augmented Generation<\/em> (RAG) adalah sebuah framework dalam kecerdasan buatan (AI) yang berfungsi untuk mengambil data dari sumber pengetahuan eksternal agar kualitas respons jadi lebih akurat dan relevan. Teknik ini biasanya dipakai dalam natural language processing<\/a> untuk membuat Large Language Models<\/a> (LLM) lebih up-to-date.<\/p>\n LLM adalah model AI yang jadi otaknya chatbot kayak ChatGPT<\/a> dari OpenAI dan Google Bard<\/a>. Mereka bisa memahami, merangkum, menghasilkan, sampai memprediksi konten. Tapi walaupun canggih, LLM masih bisa \u201cngaco\u201d atau gagal dalam tugas-tugas yang butuh pengetahuan detail atau informasi yang lebih baru dari data pelatihannya. Hal ini bisa memunculkan informasi palsu, yang disebut AI hallucination<\/a>.<\/p>\n Dengan bantuan RAG, model bisa ambil informasi tambahan dari luar \u2014 misalnya dari internet \u2014 untuk melengkapi data latihannya. Jadi, kalau LLM gak punya cukup informasi, RAG bisa bantu ngambilin data baru biar jawabannya tetap valid dan relevan.<\/p>\n Karena LLM biasanya dilatih secara offline, mereka gak tahu soal data baru yang muncul setelah pelatihan. Nah, RAG ini bertugas buat ngambil data eksternal lalu menyisipkan informasi itu ke dalam prompt pengguna supaya responsnya makin lengkap.<\/p>\n Apa itu Fre\u0301chet Inception Distance (FID)?<\/a><\/p>\n Apa itu Inception Score (IS)?<\/a><\/p>\n Apa itu Prompt Engineering?<\/a><\/p>\n Apa itu Transformer Model?<\/a><\/p>\n Apa itu Multimodal AI?<\/a><\/p>\nApa yang dilakukan RAG?<\/h2>\n
Untuk tahu lebih banyak tentang istilah Generative AI, cek artikel berikut:<\/h3>\n