پایگاه دانش | RAG

پایگاه دانش (Knowledge Base) یک سرویس مبتنی بر RAG (Retrieval-Augmented Generation) است که در پلتفرم AIaaS آروان‌کلاد ارایه می‌شود. هدف این ویژگی، ایجاد یک پل ارتباطی میان مدل‌های زبانی بزرگ (LLM) و منابع داده‌ی اختصاصی کاربران است.

مدل‌های زبانی استاندارد، بر اساس داده‌های عمومی آموزش دیده‌اند و به اسناد داخلی، خصوصی یا بسیار جدید یک سازمان دسترسی ندارند. ویژگی پایگاه دانش این امکان را فراهم می‌کند تا مدل‌های هوش مصنوعی بتوانند بر اساس محتوای مشخص و کنترل‌شده توسط کاربر، پاسخ‌دهی کنند.

شیوه‌ کارکرد RAG

عملکرد این سرویس بر یک فرآیند چند مرحله‌ای استوار است:

۱. بارگذاری اسناد: کاربر فایل‌های خود (شامل اسناد متنی، PDF ،Docx و غیره) را در سیستم بارگذاری می‌کند. این فایل‌ها به عنوان منبع داده در نظر گرفته می‌شوند.

۲. تعبیه‌سازی (Embedding): محتوای اسناد به قطعات کوچک‌تر تقسیم شده (Chunking) و سپس با استفاده از یک «مدل تعبیه‌سازی» (Embedding Model) به بردارهای عددی تبدیل می‌شوند. کاربران این امکان را دارند که مدل Embedding مورد نظر خود را بر اساس نیازهای پروژه (مانند دقت یا هزینه) انتخاب کنند. این بردارها در یک پایگاه داده برداری (Vector Store) تخصصی ذخیره می‌شوند.

۳. بازیابی (Retrieval): هنگامی که کاربر Prompt یا سوالی را ارسال می‌کند، سیستم ابتدا آن را به بردار تبدیل کرده و با جست‌وجو در پایگاه داده‌ی برداری، مرتبط‌ترین قطعات اطلاعات را از اسناد بارگذاری‌شده بازیابی می‌کند.

۴. تولید پاسخ (Generation): اطلاعات بازیابی‌شده به‌عنوان «زمینه» (Context) به همراه پرامپت اصلی کاربر، به یک مدل زبانی بزرگ (LLM) ارسال می‌شود. مدل LLM سپس پاسخی را تولید می‌کند که به‌شکل مستقیم بر اساس اطلاعات ارایه‌شده از اسناد کاربر است.

قابلیت‌های RAG

ویژگی پایگاه دانش AIaaS آروان‌کلاد شامل قابلیت‌های زیر است:

• سرویس مدیریت اسناد: امکان بارگذاری، مدیریت و حذف فایل‌هایی که به‌عنوان منبع دانش عمل می‌کنند.

• انتخاب مدل Embedding: انعطاف‌پذیری در انتخاب مدل مورد استفاده برای تبدیل متن به بردار، که بر کیفیت جست‌وجوی معنایی تاثیرگذار است.

• ذخیره‌سازی و مدیریت برداری: مدیریت خودکار فرآیند تبدیل اسناد به بردار و ذخیره‌سازی آن‌ها در یک پایگاه داده‌ی بهینه‌شده برای جست‌وجوی سریع.

• سرویس بازیابی (Retrieve): هسته‌ی اصلی RAG که مسوول یافتن اطلاعات مرتبط از میان اسناد کاربر در پاسخ به یک پرسش است.

• پایگاه‌داده برداری اختصاصی (Vector Store): به‌ازای هر پایگاه دانش، یک پایگاه‌داده‌ی اختصاصی برایتان در پنل کاربری سرویس Database آروان‌‍کلاد ساخته می‌شود. علاوه‌بر این‌که فرآیند ساخت، نگه‌داری و حذف این پایگاه‌داده به‌شکل خودکار انجام می‌شود دسترسی کامل این دیتابیس نیز در اختیار شما قرار دارد.

کاربردهای RAG

ویژگی پایگاه دانش (Knowledge Base) با بهره‌گیری از مکانیزم RAG (Retrieval-Augmented Generation)، قابلیت اتصال مدل‌های زبانی بزرگ (LLM) به منابع داده‌ی اختصاصی و کنترل‌شده را فراهم می‌کند. این توانایی، زمینه‌ساز کاربردهای متعددی است که در آن‌ها، پاسخ‌های مبتنی بر زمینه و اسناد خاص، حیاتی هستند.

سیستم‌های دانش داخلی

این مجموعه کاربردها بر توانمندسازی تیم‌های داخلی سازمان متمرکز است.

• پرسش و پاسخ از اسناد سازمانی: کارکنان می‌توانند سوالات خود را در مورد سیاست‌های داخلی، فرآیند‌های منابع انسانی، راهنماهای فنی یا مستندات مالی از سیستم بپرسند و پاسخ‌هایی مبتنی بر اسناد رسمی و اختصاصی شرکت دریافت کنند.
• دستیار فنی برای توسعه‌دهندگان: با بارگذاری مستندات فنی (Documentation)، راهنماهای API و کدهای داخلی، تیم‌های مهندسی می‌توانند سوالات فنی پیچیده را مطرح کرده و راه‌حل‌ها یا نمونه کدهای مرتبط را به سرعت پیدا کنند.
• آموزش و آنبوردینگ (Onboarding): می‌توان از این ویژگی برای ایجاد یک دستیار آموزشی برای کارکنان جدید استفاده کرد. این دستیار به سوالات مرتبط با فرآیندهای ورود به سازمان، ابزارها و دانش مورد نیاز شغلی بر اساس راهنماهای آموزشی پاسخ می‌دهد.

سیستم‌های تعامل با مشتری

این کاربردها به بهبود تجربه و پشتیبانی مشتریان نهایی کمک می‌کنند.

• ربات‌های پشتیبانی مشتریان (Customer Support Bots): ایجاد چت‌بات‌هایی که به جای پاسخ‌های عمومی، بر اساس راهنمای محصولات، پایگاه دانش پشتیبانی و دستورالعمل‌های عیب‌یابی، پاسخ‌های دقیق و مرتبط به سوالات مشتریان ارایه می‌دهند.
• سیستم‌های پاسخ‌گویی هوشمند به سوالات متداول (Intelligent FAQ): تبدیل بخش سوالات متداول استاتیک به یک رابط محاوره‌ای که می‌تواند سوالات کاربران را با لحن‌های مختلف درک کرده و پاسخ دقیق را از میان اسناد محصول استخراج کند.

تحلیل و بازیابی اطلاعات

این دسته از کاربردها بر پردازش و استخراج اطلاعات از حجم بالای اسناد تمرکز دارد.

• تحلیل اسناد حقوقی و قراردادها: وکلا و تیم‌های حقوقی می‌توانند برای یافتن سریع بندهای خاص، تعهدات، یا ریسک‌های موجود در قراردادهای طولانی یا اسناد قانونی، از این سیستم استفاده کنند.
• تحقیق و توسعه (R&D): محققان می‌توانند مقالات علمی، پتنت‌ها و نتایج آزمایش‌های داخلی را بارگذاری کرده و از سیستم برای خلاصه‌سازی یافته‌ها، مقایسه روش‌ها یا استخراج داده‌های کلیدی استفاده کنند.
• بررسی انطباق و مقررات (Compliance): سازمان‌ها می‌توانند اسناد مربوط به استانداردها (مانند ISO) یا مقررات (مانند GDPR) را بارگذاری کنند تا بررسی کنند آیا رویه‌های داخلی با این الزامات مطابقت دارد یا خیر.