Przejdź do treści
promptowy.com / AI-ordbog / RAG (Retrieval-Augmented Generation)
Teknologi

RAG (Retrieval-Augmented Generation)

RAG er en AI-metode, der forbinder en sprogmodel med eksterne dokumenter, så den henter præcise fakta, før den formulerer et svar.

RAG, som står for Retrieval-Augmented Generation, er en metode inden for kunstig intelligens, hvor en sprogmodel kobles direkte sammen med en ekstern vidensbase eller dokumentsamling. I stedet for udelukkende at svare ud fra den hukommelse, modellen fik under sin oprindelige træning, fungerer RAG som en digital assistent med en åben opslagsbog: Den søger først relevante oplysninger frem og formulerer derefter sit svar på baggrund af disse kilder.

Denne arkitektur er i dag den foretrukne standard, når virksomheder og organisationer vil bygge interne chatbots, videnssystemer eller intelligente kundeservicespor, der skal give korrekte svar baseret på interne håndbøger, kontrakter og arbejdsgange.

Hvordan fungerer processen bag kulisserne?

Når en bruger stiller et spørgsmål til et system, der anvender RAG, sker der tre adskilte trin i løbet af brøkdele af et sekund:

  1. Søgning (Retrieval): Brugerens spørgsmål sendes først til en søgemaskine eller en såkaldt vektordatabase. Her finder systemet de tekstafsnit fra virksomhedens dokumenter, som har størst relevans for spørgsmålet.
  2. Supplering (Augmentation): De fundne tekstbidder klistres automatisk ind i baggrundsprompten sammen med brugerens oprindelige forespørgsel. Modellen får instruktion om kun at udtale sig ud fra disse konkrete fakta.
  3. Svarskabelse (Generation): Sprogmodellen læser både spørgsmålet og de vedhæftede dokumentuddrag. Den formulerer et letforståeligt svar på flydende dansk og indsætter ofte henvisninger til præcis det dokument, svaret stammer fra.

Et dansk eksempel: Vidensdeling hos en installatør i Vejle

Forestil dig en mellemstor el- og VVS-virksomhed i Vejle med halvtreds montører på farten. Virksomheden råder over tusindvis af siders teknisk dokumentation: servicemanualer til varmepumper, sikkerhedscirkulærer, interne arbejdsrutiner og lokale prisaftaler for Trekantområdet.

Uden RAG ville en standard sprogmodel gætte på tekniske specifikationer eller henvise til generelle, udenlandske standarder, fordi den mangler kendskab til montørens specifikke leverandør. Træner man derimod en RAG-løsning på firmaets eget drev, kan montøren på en byggeplads skrive i sin app: Hvordan nulstiller jeg fejlkode E-04 på Danfoss-anlægget monteret i 2021? RAG finder med det samme det præcise afsnit i den korrekte PDF og opsummerer trinnene på dansk med kildeangivelse til side 14 i manualen.

Hvorfor bruge RAG frem for at fintune en model?

Mange tror fejlagtigt, at man skal gentræne eller fintune en sprogmodel for at lære den interne virksomhedsdata. I praksis er RAG næsten altid en bedre og mere fleksibel løsning af tre grunde:

For det første opdateres viden øjeblikkeligt. Hvis en procedure ændres på intranettet mandag morgen, udskiftes dokumentet blot i databasen, hvorefter AI-assistenten svarer korrekt mandag formiddag. Man slipper for kostbare og tidskrævende beregninger på computere.

For det andet reduceres hallucinationer markant. Når modellen tvinges til at citere fra et medfølgende tekststykke, minimeres risikoen for, at den opdigter regler eller fakta. For det tredje giver RAG fuld gennemsigtighed, da svaret kan ledsages af klikbare kilder, så medarbejderen selv kan kontrollere rigtigheden.

Den typiske faldgrube: Svag søgning ødelægger svaret

Kvaliteten af en RAG-arkitektur afhænger næsten udelukkende af søgedelen, ikke af selve sprogmodellen. Hvis søgemekanismen fejler og sender irrelevante eller ufuldstændige bidder af en kontrakt videre til sprogmodellen, kan selv den mest avancerede AI ikke redde situationen. Princippet om affald ind, affald ud gælder i høj grad her.

En hyppig fejl i danske projekter er dårligt forberedt data. Hvis interne PDF-filer består af scannede billeder uden tekstlag, rodede tabeller eller ustrukturerede Word-notater, vil søgningen overse kernepunkterne. Succes med RAG handler derfor sjældent om modelvalg, men om disciplineret datahåndtering og præcis indeksering.

Ofte stillede spørgsmål

Hvad betyder forkortelsen RAG?

RAG står for Retrieval-Augmented Generation, hvilket på dansk kan oversættes til søgningsforstærket tekstgenerering.

Hvorfor bruger man RAG i stedet for almindelig ChatGPT?

RAG giver modellen adgang til virksomhedens egne, private og opdaterede dokumenter, så den svarer ud fra faktiske kilder frem for at gætte.

Kan RAG helt fjerne hallucinationer?

Nej, men det reducerer dem drastisk, fordi sprogmodellen instrueres i udelukkende at basere sit svar på de fundne dokumentuddrag.

Kræver RAG, at man sender fortrolige data til tredjepart?

Ikke nødvendigvis. RAG kan bygges lokalt på egne servere med open source modeller eller via lukkede enterprise-løsninger, hvor data forbliver inden for EU.

← Alle begreber i AI-ordbogen

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›