Retrieval-Augmented Generation (RAG) என்றால் என்ன?

Question

Accepted Answer

**RAG (Retrieval-Augmented Generation)** ஒரு LLM ஐ **retrieval system** உடன் இணைக்கிறது — ஒரு knowledge base இலிருந்து பொருத்தமான தகவலைப் பெறுவது மற்றும் அதை LLM க்கு context ஆக வழங்கி துல்லியமான, grounded answers ஐ உருவாக்க உதவுகிறது. இது custom data உ மீதான LLM applications கட்டமாக்கும் முக்கியமான நுட்பமாகும்.

## RAG செய்பவை

```text
RAG → augment an LLM's generation with RETRIEVED relevant information:
  1. RETRIEVE → search a knowledge base (your documents/data) for info relevant to the query
  2. AUGMENT → add the retrieved info to the LLM's prompt as CONTEXT
  3. GENERATE → the LLM answers using the provided context (grounded in your data)
→ gives the LLM relevant, up-to-date, specific knowledge it wasn't trained on
```

## RAG பொதுவாக எவ்வாறு செயல்படுகிறது

```text
→ index your data: split documents into chunks → create EMBEDDINGS → store in a VECTOR DATABASE
→ at query time: embed the query → find the most SIMILAR chunks (semantic search) →
  retrieve them
→ build a prompt: 'Using this context: [retrieved chunks], answer: [query]'
→ the LLM generates an answer grounded in the retrieved context
```

## RAG ஏன் மதிப்புள்ளது

```text
✓ Use your OWN/CURRENT data → answer questions about documents the LLM wasn't trained on
  (private docs, recent info, specific knowledge)
✓ Reduce HALLUCINATION → grounding answers in retrieved facts → more accurate, less made-up
✓ Up-to-date → retrieve current info (vs the model's fixed training cutoff)
✓ CITATIONS → can show sources (the retrieved chunks) → trust/verification
✓ cheaper/easier than fine-tuning for adding knowledge
→ a key pattern for building LLM apps over custom data
```

## இது ஏன் முக்கியமாகும்

RAG ஐ புரிந்துகொள்வது மதிப்புவান்த ஆகும், ஏனெனில் இது **custom data மீதான practical LLM applications கட்டமாக்குவதற்கான முக்கியமான நுட்பம்**, எனவே இது developers க்கு점점점 வளர்ந்து வரும் AI அறிவாகும்.

RAG — ஒரு LLM ஐ retrieval system உடன் இணைத்து பொருத்தமான தகவலைப் பெறுவது மற்றும் அதை grounded generation க்கு context ஆக வழங்குவது — real-world LLM applications க்கான ஒரு அடிப்படைப் pattern ஆகும்.

**RAG என்ன செய்கிறது** என்பதைப் புரிந்துகொள்வது — ஒரு knowledge base இலிருந்து பொருத்தமான தகவலைப் பெறுவது, LLM க்கு context ஆக அதுடன் prompt ஐ augment செய்வது, மற்றும் அந்த data ஐ அடிப்படையாகக் கொண்ட answers ஐ உருவாக்குவது — RAG எவ்வாறு LLM களுக்கு அவை பயிற்சி பெறாத அறிவை அணுக வழங்குகிறது என்பதை தெளிவுபடுத்துகிறது.

**RAG பொதுவாக எவ்வாறு செயல்படுகிறது** என்பதைப் புரிந்துகொள்வது — documents ஐ chunks ஆக பிரித்து data ஐ index செய்வது, embeddings ஐ உருவாக்குவது, மற்றும் அவற்றை vector database இல் சேமிப்பது; பின்னர் query time இல் query ஐ embed செய்வது, semantic search மூலம் ஒத்த chunks ஐ கண்டறிவது, மற்றும் LLM க்குக் கொடுப்பதற்கு retrieved context உடன் prompt ஐ கட்டமாக்குவது — practical architecture ஐ (embeddings மற்றும் vector databases க்குத் தொடர்புபடுத்துவது) வழங்குகிறது.

**RAG ஏன் மதிப்புள்ளது** என்பதைப் புரிந்துகொள்வது முக்கிய insight ஆகும்: இது LLM களை **உங்களது சொந்த மற்றும் current data ஐ** பயன்படுத்த வழங்குகிறது (private documents, recent info, மற்றும் specific knowledge நகரத்தில் LLM பயிற்சி பெறவில்லை பற்றி பதிலளிப்பது), **hallucination குறைக்கிறது** (retrieved facts இல் grounding answers பயன்படுத்தி accuracy க்காக — ஒரு critical LLM limitation ஐ address செய்வது), **up-to-date information** ஐ வழங்குகிறது (model க்கு fixed training cutoff க்கு எதிரான), **citations** ஐ enable செய்கிறது (trust க்கு sources காட்டுவது), மற்றும் fine-tuning ஐ விட knowledge சேர்க்கவோ மலிவான மற்றும் எளிமையாகும்.

இந்த benefits RAG ஐ custom data மீதான LLM applications கட்டமாக்குவதற்கான go-to நுட்பமாகக் கொண்டு செல்கிறது (மிகவும் பொதுவான தேவை).

RAG LLM applications க்கான மிக முக்கியமான practical patterns இல் ஒன்றாகும், developers AI features கட்டமாக்கிற்கு점점점 அத்தியாவசியமாகும்.

RAG ஒரு முக்கிய நுட்பம் ஆகும் custom data மீதான practical LLM applications கட்டமாக்குவதற்கு (LLM களை உங்களது சொந்த/current data இல் grounding, hallucination குறைப்பு, citations enabling) — மிகவும் பொதுவான தேவை — மற்றும் இதை புரிந்துகொள்வது developers AI features கட்டமாக்கிற்கு점점점 முக்கியமாகும், RAG ஐ புரிந்துகொள்வது மதிப்புவான்த,점점점 அத்தியாவசிய AI அறிவு — custom data மீதான LLM applications கட்டமாக்குவதற்கான ஒரு அடிப்படைப் pattern (retrieved information இல் grounding answers hallucination குறைக்க மற்றும் உங்களது சொந்த/current அறிவைப் பயன்படுத்த), developers க்கு점점점 முக்கியமாகும், மற்றும் LLM களின் practical application இல் ஒரு முக்கிய நுட்பம்.