QCon London 2025: دستیابی به دقت هوش مصنوعی از طریق بازیابی هوشمند داده

آدی پولاک، سخنران و متخصص در مقیاس‌بندی یادگیری ماشین و پخش داده در Confluent، به یک چالش مهم در پذیرش هوش مصنوعی مولد پرداخت: دستیابی به دقت در بازیابی داده.

به گفته پولاک:

دستیابی به دقت یکی از سخت‌ترین کارهایی است که برای عملیاتی کردن هوش مصنوعی باید انجام دهیم، از صفر به یک برویم، از MVPهای نمونه اولیه به تولید برسیم و شاهد کارکرد صحیح آن باشیم.

پولاک در سخنرانی خود با عنوان "دستیابی به دقت در هوش مصنوعی: بازیابی داده مناسب با استفاده از عوامل هوش مصنوعی" در QCon London 2025، محدودیت‌های سیستم‌های فعلی نسل افزوده شده با بازیابی (RAG) را برجسته کرد و agenticRAG را به عنوان یک راه حل امیدوارکننده برای ارائه دقت مشخص معرفی کرد.

پولاک سخنرانی خود را با نشان دادن چالش‌های دقت هوش مصنوعی با مثال‌های واقعی آغاز کرد، از جمله حادثه چت‌بات ایر کانادا که به دلیل اطلاعات نادرست منجر به پیگردهای قانونی شد. او تاکید کرد که با عبور سازمان‌ها از آزمایش‌های اولیه هوش مصنوعی به استقرار در تولید، دقت به یک تمایز غیرقابل مذاکره تبدیل می‌شود که بر اعتماد مشتری و نتایج تجاری تأثیر می‌گذارد.

تلاش برای دقت قابل اندازه گیری در هوش مصنوعی مولد

در حالی که دقت یادگیری ماشین سنتی معیارهای ثابتی دارد، پولاک به پیچیدگی های مداوم اندازه گیری دقت در وظایف هوش مصنوعی مولد مانند تولید متن و تصویر اشاره کرد. فقدان روش‌های ارزیابی واضح و خودکار یک مانع مهم باقی مانده است.

بهینه سازی داده محور: RAG و فراتر از آن

پولاک دو رویکرد اصلی بهینه سازی داده محور را تشریح کرد: RAG و تنظیم دقیق دامنه خاص. او بر RAG تمرکز کرد و فرآیند تقویت پاسخ‌های مدل‌های زبانی بزرگ (LLM) با داده‌های مرتبط بازیابی شده را توضیح داد. در حالی که RAG مبنا را بهبود می‌بخشد، با چالش‌هایی مانند بازیابی اطلاعات قدیمی، رسیدگی به پرسش‌های مبهم و مقابله با تأخیر مواجه است. او تکنیک‌های مختلف بازیابی مانند جستجوی ترکیبی، رتبه‌بندی مجدد، جستجوی شباهت (از جمله جستجوی برداری) و جستجوی نمودار را بررسی کرد و خاطرنشان کرد که:

چالش جستجوی اصطلاحات این است که شما باید اصطلاح خاصی را که به دنبال آن هستید، بدانید. امروزه، با هوش مصنوعی مولد، ما همیشه آن اصطلاح خاص را نداریم.

Agentic RAG: افزایش دقت از طریق تجزیه وظایف

هسته اصلی ارائه پولاک حول agentic RAG می‌چرخید. او توضیح داد که در سیستم‌های عامل، دقت با تقسیم وظایف پیچیده به زیر وظایف کوچکتر و قابل مدیریت‌تر که توسط عوامل خاص و هوشمند انجام می‌شود، به طور قابل توجهی افزایش می‌یابد. مثال‌ها عبارتند از: عوامل ارکستراتور که گردش کار را مدیریت می‌کنند، عوامل کارگر که مراحل بازیابی یا پردازش خاصی را اجرا می‌کنند، و استفاده از حلقه‌های بازخورد که توسط LLMهایی که به عنوان "قاضی" عمل می‌کنند برای اصلاح فرآیند هدایت می‌شوند. پولاک همچنین در مورد الگوهای معماری در سیستم های عامل مانند طراحی تخته سیاه، مبتنی بر بازار و سلسله مراتبی بحث کرد. او تاکید کرد که:

LLM به عنوان قاضی، خود را به عنوان یک حلقه مکانیسم بازخورد بسیار ارزشمند ثابت کرده است که فراتر از انسان در حلقه است.

بینش های عملی برای پیاده سازی هوش مصنوعی دقیق

پولاک سخنرانی خود را با توصیه‌های عملی برای شرکت‌کنندگانی که به دنبال بهبود دقت هوش مصنوعی هستند به پایان رساند:

• ادغام RAG را برای افزایش دقت هوش مصنوعی در محیط های تولید بررسی کنید.
• برای بهینه سازی بازیابی داده، تنظیم دقیق دامنه خاص و تکنیک های جستجوی ترکیبی را بررسی کنید.
• سیستم‌های عامل RAG را برای راه‌حل‌های هوش مصنوعی خاص کار که نیاز به دقت بالایی دارند، در نظر بگیرید.
• پیاده‌سازی حلقه‌های بازخورد و سیستم‌های حافظه را برای پالایش مداوم دقت هوش مصنوعی ارزیابی کنید.

سخنرانی پولاک دیدگاهی برای آینده دقت هوش مصنوعی ارائه کرد و بر پتانسیل agentic RAG برای فراتر رفتن از بازیابی داده های تعمیم یافته به سمت سیستم های هوشمند و آگاه از زمینه تاکید کرد که قادر به ارائه بینش های دقیق و عملی هستند.

استف-یان ویگرز یکی از ویراستاران ارشد ابر InfoQ است و به عنوان مشاور اصلی Cloud/DevOps در Team Rockstars IT در هلند کار می کند. تخصص فنی فعلی او بر پیاده‌سازی پلتفرم‌های یکپارچه‌سازی، Azure DevOps، هوش مصنوعی و معماری راه‌حل‌های پلتفرم Azure متمرکز است. استف-یان یک سخنران ثابت در کنفرانس ها و گروه های کاربری است و برای InfoQ می نویسد. علاوه بر این، مایکروسافت او را به عنوان MVP مایکروسافت Azure برای پانزده سال گذشته شناخته است.