ai-agents-for-beginners

(ಈ ಪಾಠದ ವಿಡಿಯೋವನ್ನು ನೋಡಲು ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ)

ಏಜೆಂಟಿಕ್ RAG

ಈ ಪಾಠವು ಏಜೆಂಟಿಕ್ ರಿಟ್ರೀವಲ್-ಆಗ್ಮೆಂಟೆಡ್ ಜನರೇಶನ್ (Agentic RAG) ಬಗ್ಗೆ ಸಕಲಸಾಮಗ್ರಿಯ.overviewನ್ನು ನೀಡುತ್ತದೆ, ಇದು ಉದಯೋನ್ಮುಖ AI ಪರಿಕಲ್ಪನೆಯಾಗಿದ್ದು, ಇಲ್ಲಿ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು (LLMs) ಸ್ವತಃ ಅವರ ಮುಂದಿನ ಹಂತಗಳನ್ನು ಯೋಜಿಸುತ್ತವೆ ಮತ್ತು ಹೊರಗಿನ ಮೂಲಗಳಿಂದ ಮಾಹಿತಿ ತರುತ್ತವೆ. ಸ್ಥಿತಿಸ್ಥಾಪಕ ರಿಟ್ರೀವಲ್-ತಪಾಸಣೆ ಮಾದರಿಗಳಿಂದ ಭಿನ್ನವಾಗಿ, ಏಜೆಂಟಿಕ್ RAG ಸತತ ವಲಯಗಳಿಗೆ ಕರೆಗಳು ಲ್ಲಿ ಸಾಂಘಿಕ್ ಕ್ರಮಗಳು ಸೇರಿದಂತೆ ಉಪಕರಣ ಅಥವಾ ಕಾರ್ಯದ ಕರೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ ಮತ್ತು ರಚಿಸಲಾದ ಔಟ್ಪುಟ್ಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ. ವ್ಯವಸ್ಥೆ ಫಲಿತಾಂಶಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ, ಪ್ರಶ್ನೆಗಳನ್ನು ಸುಧಾರಿಸುತ್ತದೆ, ಹೆಚ್ಚುವರಿ ಉಪಕರಣಗಳನ್ನು ಕರೆಸುತ್ತದೆ ಹಾಗೂ ಈ ಚಕ್ರವನ್ನು ತೃಪ್ತಿದಾಯಕ ಪರಿಹಾರ ಬರುವವರೆಗೆ ಮುಂದುವರಿಸುತ್ತದೆ.

ಪರಿಚಯ

ಈ ಪಾಠವು ಒಳಗೊಂಡಿದೆ

• ಏಜೆಂಟಿಕ್ RAG ಅರ್ಥೈಸಿಕೊಳ್ಳುವುದು: ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು (LLMs) ಹೊರಗಿನ ಡೇಟಾ ಮೂಲಗಳಿಂದ ಮಾಹಿತಿ ತಂದುಕೊಳ್ಳುವಾಗ ಸ್ವತಃ ಮುಂದಿನ ಹಂತಗಳನ್ನು ಯೋಜಿಸುವ AI ನ ಉದಯೋನ್ಮುಖ ಪರಿಕಲ್ಪನೆ ಬಗೆಗಿನ ತಿಳಿವಳಿಕೆ ಪಡೆದುಕೊಳ್ಳಿ.
• ಮರುಮೌಲ್ಯಮಾಪನ ಮಾಡು-ಪರಿಶೀಲಕ ಶೈಲಿಯನ್ನು ಗ್ರಹಿಸುವುದು: LLM ಗೆ ಮರು ಮರು ಕರೆಗಳ ಸರಣಿಯನ್ನು, ಉಪಕರಣ ಅಥವಾ ಕಾರ್ಯದ ಕರೆಗಳು ಮತ್ತು ರಚಿಸಲಾದ ಔಟ್ಪುಟ್ಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಲೂಪ್ ಅನ್ನು ಅರಿತುಕೊಳ್ಳಿ, ಅದು ಸರಿಯಾದ ಉತ್ಪನ್ನಕ್ಕೆ ಸುಧಾರಣೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಖಂಡಿತವಲ್ಲದ ಪ್ರಶ್ನೆಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ.
• ಪ್ರಾಯೋಗಿಕ ಅನ್ವಯಗಳನ್ನು ಅನ್ವೇಷಿಸುವುದು: ಏಜೆಂಟಿಕ್ RAG ಬಹುಮಾನಿಸುವ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಗುರುತಿಸಿ, ಉದಾಹರಣೆಗೆ ಸರಿಯಾದ ಪರಿಣಾಮಬಯಸುವ ಪರಿಸರಗಳು, ಸಂಕೀರ್ಣ ಡೇಟಾಬೇಸ್ ಸಂವಹನಗಳು, ಹಾಗೂ ವಿಸ್ತಾರವಾದ ಕೆಲಸದ ಪ್ರಕ್ರಿಯೆಗಳು.

ಕಲಿಕೆಯ ಗುರಿಗಳು

ಈ ಪಾಠವನ್ನು ಮುಗಿಸಿದ ನಂತರ, ನೀವು ಇವುಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳುವಿರಿ:

• ಏಜೆಂಟಿಕ್ RAG ಅರ್ಥಗೊಳಿಸುವುದು: ಹೊರಗಿನ ಡೇಟಾ ಮೂಲಗಳಿಂದ ಮಾಹಿತಿ ಪಡೆದುಕೊಂಡು, ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು (LLMs) ಸ್ವತಃ ಮುಂದಿನ ಹಂತಗಳನ್ನು ಯೋಜಿಸುವ AI ಪರಿಕಲ್ಪನೆಯ ಬಗ್ಗೆ ತಿಳಿದುಕೊಳ್ಳಿ.
• ಮರುಮೌಲ್ಯಮಾಪನ ಮಾಡು-ಪರಿಶೀಲಕ ಶೈಲಿ: ಸರಿಯಾದ ಫಲಿತಾಂಶಕ್ಕಾಗಿ LLM ಗೆ ಮರುಮರು ನೀಡುವ ಕರೆ ಸರಣಿಯ ಕಲ್ಪನೆ ಹಾಗೂ ಉಪಕರಣಗಳು/ಕಾರ್ಯಗಳು ಸೇರಿರುವ ಲೂಪ್ ಕುರಿತ ಅರಿವು ಪಡೆಯಿರಿ.
• ತರ್ಕ ಪ್ರಕ್ರಿಯೆಯನ್ನು ತಮ್ಮ ತಾವು ಒಪ್ಪಿಕೊಳ್ಳುವುದು: ಪರ್ವೈಶಿಕ ಹಾದಿಗಳ ಮೇಲಾಗದೇ, ಸಮಸ್ಯೆಗಳನ್ನು ಹೇಗೆ ಪರಿಹರಿಸುವುದು ಎಂದು ತಾವು ತೀರ್ಮಾನಿಸುವ ವ್ಯವಸ್ಥೆಯ ಶಕ್ತಿ ಗ್ರಹಿಸಿ.
• ಕಾರ್ಯಪದ್ಧತಿ: ಏಜೆಂಟಿಕ್ ಮಾದರಿ ಸ್ವತಃ ಮಾರ್ಕೆಟ್ ಟ್ರೆಂಡ್ ವರದಿಗಳನ್ನು ಹುಡುಕುವುದು, ಸ್ಪರ್ಧಾತ್ಮಕ ಡೇಟಾವನ್ನು ಗುರುತಿಸುವುದು, ಆಂತರಿಕ ಮಾರಾಟ ಒಳಹೊಕ್ಕಣಿಕೆಗಳನ್ನು ಅನುಗುಣಾಯಿಸುವುದು, ಸಂಶ್ಲೇಷಿಸುವುದು ಮತ್ತು ತಂತ್ರವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ.
• ಮರುಮರು ಲೂಪ್ ಗಳು, ಉಪಕರಣ ಸಂಯೋಜನೆ ಮತ್ತು ಸ್ಮರಣೆ: ಲೂಪಿಂಗ್ ನಿಯತಿಯನ್ನು ಬಳಸಿಕೊಂಡು, ಹಂತಗಳ ನಡುವೆಯು ಸ್ಥಿತಿ ಮತ್ತು ಸ್ಮರಣೆಯನ್ನು ಕಾಯ್ದು ಹಿಡಿದು, ಪುನರಾವೃತ್ತಿ ತಪ್ಪಿಸುವ ಹಾಗೂ ಪರಿಶಿಪ್ತ ತೀರ್ಮಾನಗಳನ್ನ ತರುವುದು ತಿಳಿದುಕೊಳ್ಳಿ.
• ವಿಫಲತೆ ಮಾದರಿಗಳು ಮತ್ತು ಸ್ವಯಂ-ತಿದ್ದುಗೈದುಕೆ: ಮರುಪರಿಶೋಧನೆ ಮತ್ತು ಮರುಪ್ರಶ್ನೆ ಮೂಲಕ, ನಿರ್ಣಯ ನಿರ್ವಹಣೆ ಉಪಕರಣಗಳು ಬಳಸುವ ಮೂಲಕ ಮತ್ತು ಮಾನವ ಮೇಲ್ವಿಚಾರಣೆಯಲ್ಲಿ ಹಿಂತಿರುಗುವ ಮೂಲಕ ಸ್ವತಃ ತಿದ್ದುವುದು ವಿವರಿಸಿ.
• ಏಜೆನ್ಸಿ ಸೀಮಿತಿಗಳು: ಡೊಮೇನ್ ಸ್ಪೆಸಿಫಿಕ್ ಸ್ವಾಯತ್ತತೆ, ಮೂಲಸೌಕರ್ಯ ಅವಲಂಬನೆ ಮತ್ತು ನಿಯಮಗಳ ಗೌರವ ಇತ್ಯಾದಿ ಸೀಮಿತಿಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ.
• ಪ್ರಾಯೋಗಿಕ ಉಪಯೋಗಗಳು ಮತ್ತು ಮೌಲ್ಯ: ಸರಿಯಾದ ಫಲಿತಾಂಶ ಪಡೆಯುವ ಪರಿಸರಗಳು, 복잡 데이터베이스 ಸಂವಹನಗಳು ಮತ್ತು ವಿಸ್ತರಿಸಿದ ಕಾರ್ಯಪ್ರವಾಹಗಳಂತಹ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಗುರುತಿಸಿ.
• ಗವರ್ಣನ್ಸ್, ಪಾರದರ್ಶಕತೆ ಮತ್ತು ನಂಬಿಕೆ: ವಿವರಣೆ ಸಾಧ್ಯತೆಯ ತರ್ಕ, ಪಕ್ಷಪಾತ ನಿಯಂತ್ರಣ ಮತ್ತು ಮಾನವ ಮೇಲ್ವಿಚಾರಣೆ ಸೇರಿದಂತೆ ನಿರ್ವಹಣೆಯ ಮಹತ್ವದ ಬಗ್ಗೆ ತಿಳಿದುಕೊಳ್ಳಿ.

ಏಜೆಂಟಿಕ್ RAG ಎಂದರೆ ಏನು?

ಏಜೆಂಟಿಕ್ ರಿಟ್ರೀವಲ್-ಆಗ್ಮೆಂಟೆಡ್ ಜನರೇಶನ್ (Agentic RAG) ಒಂದು ಉದಯೋನ್ಮುಖ AI ಪರಿಕಲ್ಪನೆಯಾಗಿದ್ದು, ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು (LLMs) ಹೊರಗಿನ ಮೂಲಗಳಿಂದ ಮಾಹಿತಿ ತಂದುಕೊಂಡು, ತಮ್ಮ ಮುಂದಿನ ಹಂತಗಳನ್ನು ಸ್ವತಃ ಯೋಜಿಸುತ್ತವೆ. ಸ್ಥಿರವಾದ ರಿಟ್ರೀವಲ್-ಮಿಳಿತ ಮಾದರಿಗಳಿಗಿಂತ ವಿಭಿನ್ನವಾಗಿ, ಏಜೆಂಟಿಕ್ RAG LLM ಗೆ ಮರುಮರು ಕರೆಗಳು ನೀಡುವ ಮೂಲಕ, ಉಪಕರಣ ಅಥವಾ ಕಾರ್ಯದ ಕರೆಗಳನ್ನು ಸೇರಿಸಿ, ರಚಿಸಲಾದ ಔಟ್ಪುಟ್ ಗಳನ್ನು ಬಳಸಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ವ್ಯವಸ್ಥೆ ಫಲಿತಾಂಶಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ, ಪ್ರಶ್ನೆಗಳನ್ನು ಸುಧಾರಿಸಿ, ಅಗತ್ಯವಿದ್ದರೆ ಹೆಚ್ಚುವರಿ ಉಪಕರಣಗಳನ್ನು ಕರೆಸುತ್ತದೆ ಮತ್ತು ತೃಪ್ತಿದಾಯಕ ಪರಿಹಾರ ಬರುತ್ತಂತೆ ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಮುಂದುವರಿಸುತ್ತದೆ. ಈ ಮರುಮರು “ಮೇಕರ್-ಚೆಕರ್” ಶೈಲಿ ಸರಿಯಾದ ಫಲಿತಾಂಶ, ಕೆಟ್ಟ ಪ್ರಶ್ನೆಗಳ ನಿರ್ವಹಣೆ ಮತ್ತು ಗುಣಮಟ್ಟದ ಅಭಿವೃಧ್ಧಿಗೆ ಸಹಕಾರ ನೀಡುತ್ತದೆ.

ವ್ಯವಸ್ಥೆ ತಾವು ತರ್ಕ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಒಪ್ಪಿಕೊಂಡು, ವಿಫಲವಾದ ಪ್ರಶ್ನೆಗಳನ್ನು ಮರುಬರೆದಿಡುತ್ತದೆ, ವಿಭಿನ್ನ ರಿಟ್ರೀವಲ್ ವಿಧಾನಗಳನ್ನು ಆಯ್ಕೆಮಾಡುತ್ತದೆ ಮತ್ತು ಅನೇಕ ಉಪಕರಣಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ - ಉದಾಹರಣೆಗೆ Azure AI Search ನಲ್ಲಿನ ವೆಕ್ಟರ್ ಶೋಧನೆ, SQL ಡೇಟಾಬೇಸುಗಳು ಅಥವಾ ಕಸ್ಟಮ್ API ಗಳನ್ನು ಬಳಸುತ್ತದೆ - ಎಂದು ಉತ್ತರಾವಳಿ ತಯಾರಿಸುವ ಮುಂಚೆ. ಏಜೆಂಟಿಕ್ ವ್ಯವಸ್ಥೆಯ ಪ್ರಮುಖ ಲಕ್ಷಣವೆಂದರೆ ತನ್ನ ತರ್ಕ ಪ್ರಕ್ರಿಯೆಯನ್ನು ತನ್ನ ತಾನೇ ನಿಯಂತ್ರಿಸುವ ಶಕ್ತಿ. ಸಾಂಪ್ರದಾಯಿಕ RAG ಗಳಿಗೆ ಯೋಜಿತ ಹಾದಿಗಳ ಮೇಲೆ ನಿರ্ভರತೆ ಇದ್ದರೆ, ಏಜೆಂಟಿಕ್ ವ್ಯವಸ್ಥೆ ಸ್ವತಃ ಮಾಹಿತಿ ಗುಣಮಟ್ಟದ ಆಧಾರದ ಮೇಲೆ ಕ್ರಮಗಳ ಕ್ರಮವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.

ಏಜೆಂಟಿಕ್ ರಿಟ್ರೀವಲ್-ಆಗ್ಮೆಂಟೆಡ್ ಜನರೇಶನ್ (Agentic RAG) ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು

ಏಜೆಂಟಿಕ್ ರಿಟ್ರೀವಲ್-ಆಗ್ಮೆಂಟೆಡ್ ಜನರೇಶನ್ (Agentic RAG) AI ಅಭಿವೃದ್ಧಿಯಲ್ಲಿ ಒಂದು ಉದಯೋನ್ಮುಖ ಪರಿಕಲ್ಪನೆಯಾಗಿದ್ದು, LLM ಗಳು ಹೊರಗಿನ ಮೂಲಗಳಿಂದ ಮಾಹಿತಿ ಪಡೆದುಕೊಂಡು ಹಾಗೆಯೇ ಮುಂದಿನ ಹಂತಗಳನ್ನು ಸ್ವತಃ ಯೋಜಿಸುತ್ತವೆ. ಸ್ಥಿರವಾದ ರಿಟ್ರೀವಲ್-ಮಿಳಿತ ಮಾದರಿ ಅಥವಾ ನಿಷ್ಕಪಟ ಪೂರ್ವನಿಯೋಜಿತ ಪ್ರಾಂಪ್ಟ್ ಕ್ರಮಗಳಿಗಿಂತ ಬೇರೆಯಾಗಿ, Agentic RAG LLM ಗೆ ಮರುಮರು ಕರೆಗಳು ನೀಡುತ್ತದೆ, ಉಪಕರಣ ಅಥವಾ ಕಾರ್ಯಗಳ ಕರೆಗಳು ಮತ್ತು ರಚಿಸಲಾದ ಔಟ್ಪುಟ್ಗಳೊಂದಿಗೆ ಒಳಗೊಂಡಿದೆ. ಪ್ರತಿ ಹಂತದಲ್ಲಿ ವ್ಯವಸ್ಥೆ ಪಡೆದ ಫಲಿತಾಂಶಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ, ಪ್ರಶ್ನೆಗಳನ್ನು ಸುಧಾರಿಸುವುದಕ್ಕೋಸ್ಕರ ನಿರ್ಧಾರ ಮಾಡುತ್ತದೆ, ಅಗತ್ಯವಿದ್ದರೆ ಹೆಚ್ಚುವರಿ ಉಪಕರಣಗಳನ್ನು ಕರೆಸಿ, ತೃಪ್ತಿದಾಯಕ ಪರಿಹಾರ ಬರುವವರೆಗೆ ಈ ಚಕ್ರ ಮುಂದುವರಿಯುತ್ತದೆ.

ಈ ಮರುಮರು “ಮೇಕರ್-ಚೆಕರ್” ಕಾರ್ಯವಿಧಾನವು ಸರಿಯಾದ ಫಲಿತಾಂಶಕ್ಕೆ ಸುಧಾರಣೆ ಮಾಡಲು, ಕೆಟ್ಟ ಪ್ರಶ್ನೆಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಮತ್ತು ಸಮತೋಲನ, ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಫಲಿತಾಂಶಗಳನ್ನು ಒದಗಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ತಯಾರಿತ_prompt ಸರಣಿಗಳನ್ನಲ್ಲದೆ, ವ್ಯವಸ್ಥೆ ತನ್ನ ತರ್ಕ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಚುರುಕಾಗಿ ನಿಯಂತ್ರಿಸುತ್ತದೆ. ತಪ್ಪಾದ ಪ್ರಶ್ನೆಗಳನ್ನು ಮರುಬರೆದು, ವಿಭಿನ್ನ ರಿಟ್ರೀವಲ್ ವಿಧಾನಗಳನ್ನು ಆಯ್ಕೆಮಾಡಬಹುದು ಮತ್ತು ಅನೇಕ ಉಪಕರಣಗಳನ್ನು (ಉದಾ. Azure AI Search ನ ವೆಕ್ಟರ್ ಶೋಧನೆ, SQL ಡೇಟಾಬೇಸುಗಳು, ಕಸ್ಟಮ್ API ಗಳನ್ನು)finalize ಮಾಡುವ ಮುಂಚೆ ಅಳವಡಿಸಬಹುದು. ಇದು ಜಟಿಲ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಗಳ ಅಗತ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಬದಲಿಗೆ, “LLM ಕರೆ → ಉಪಕರಣ ಬಳಕೆ → LLM ಕರೆ → …” ಇವರ ಸರಳ ಲೂಪ್ ಹೆಚ್ಚು ಬುದ್ಧಿವಂತಿಕೆಯಿಂದ ಮತ್ತು ಆಧಾರಿತ ಔಟ್ಪುಟ್ಗಳನ್ನು ನೀಡುತ್ತದೆ.

ತರ್ಕ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಹೊಂದಿಕೊಳ್ಳುವುದು

“ಏಜೆಂಟಿಕ್” ಎಂದು ಪರುಪಡಿಸುವ ಪ್ರಮುಖ ಗುಣವೆಂದರೆ ವ್ಯವಸ್ಥೆಯು ತನ್ನ ತರ್ಕ ಪ್ರಕ್ರಿಯೆಯನ್ನು ತನ್ನದೇ ಅನುಸರಿಸುವ ಸಾಮರ್ಥ್ಯ. ಸಾಂಪ್ರದಾಯಿಕ RAG ಗಳು ಬಹುಬೇರೆ ಮಾನವರಿಂದ ಮಾದರಿಗಾಗಿ ಹಾದಿ ನಿಗದಿಪಡಿಸುವುದಕ್ಕೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತವೆ: ಯಾವಾಗ ಮತ್ತು ಏನು ಪಡೆಯಬೇಕು ಎಂಬುದನ್ನು ಸೂಚಿಸುವ ಚೈನ್-ಆಫ್-ಥಾಟ್. ಆದರೆ, ಒಂದು ವ್ಯವಸ್ಥೆ ನಿಜವಾಗಿಯೂ ಏಜೆಂಟಿಕ್ ಆಗಿದ್ದರೆ, ಅದು ಒಳಾಂಗವಾಗಿ ಸಮಸ್ಯೆಯನ್ನು ಕುರಿತು ಹೇಗೆ ಹಿಮ್ಮುಖವಾಗಿ ಬರುತ್ತದೆ ಎಂದು ತೀರ್ಮಾನಿಸುತ್ತದೆ. ಇದು ಕೇವಲ ಸ್ಕ್ರಿಪ್ಟ್‌ನ್ನು ಅನುಸರಿಸುವುದಲ್ಲ; ಇದರ ಬದಲು, ಅದು ಕಂಡುಹಿಡಿದ ಮಾಹಿತಿಯ ಗುಣಮಟ್ಟದ ಆಧಾರದಲ್ಲಿ ಕ್ರಮಗಳ ಕ್ರಮವನ್ನು ಸ್ವತಃ ನಿರ್ಧರಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಉತ್ಪನ್ನ ಲಾಂಚ್ ತಂತ್ರವನ್ನು ರಚಿಸುವಂತೆ ಕೇಳಿದಾಗ, ಇದು ಸಂಪೂರ್ಣ ಸಂಶೋಧನೆ ಮತ್ತು ನಿರ್ಧಾರ ಪ್ರಕ್ರಿಯೆಯ ಪ್ರಾಂಪ್ಟ್ ಮೇಲೆ ಮಾತ್ರ ಅವಲಂಬಿಸದು. ಬದಲಿಗೆ ಏಜೆಂಟಿಕ್ ಮಾದರಿ ಸ್ವತಃ ನಿರ್ಧರಿಸುತ್ತದೆ:

1. Bing ವೆಬ್ ಗ್ರೌಂಡಿಂಗ್ ಮೂಲಕ ಪ್ರಸ್ತುತ ಮಾರುಕಟ್ಟೆ ಪ್ರವೃತ್ತಿ ವರದಿಗಳನ್ನು ಪಡೆದುಕೊಳ್ಳುವುದು
2. Azure AI Search ಬಳಸಿ ಸಂಬಂಧಿತ ಸ್ಪರ್ಧಾತ್ಮಕ ಡೇಟಾವನ್ನು ಗುರುತಿಸುವುದು.
3. Azure SQL ಡೇಟಾಬೇಸ್ ಬಳಸಿ ಇತಿಹಾಸಾತ್ಮಕ ಆಂತರಿಕ ಮಾರಾಟ ಅಂಕಿಅಂಶಗಳನ್ನು ಅನುಗುಣಾಯಿಸುವುದು.
4. Azure OpenAI ವ್ಯವಸ್ಥೆ ಮೂಲಕ ಸಂಯೋಜಿತ ತಂತ್ರವನ್ನು ಸೃಜನಶೀಲವಾಗಿ ಸಂಶ್ಲೇಷಿಸುವುದು.
5. ತಂತ್ರದ ಅಸಮಾನತೆ ಅಥವಾ ಗ್ಯಾಪ್ಗಳಿಗಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು ಮತ್ತು ಅಗತ್ಯವಿದ್ದರೆ ಇನ್ನೊಂದು ರಿಟ್ರೀವಲ್ ಚಕ್ರವನ್ನು ಪ್ರಾಂಪ್ಟ್ ಮಾಡುವುದು. ಈ ಎಲ್ಲಾ ಹಂತಗಳನ್ನು - ಪ್ರಶ್ನೆಗಳನ್ನು ಸುಧಾರಿಸುವುದು, ಮೂಲಗಳನ್ನು ಆಯ್ದುಕೊಳ್ಳುವುದು, ಉತ್ತರಕ್ಕೆ “ಸಂತೋಷಕರ” ಆಗುವ ತನಕ ಮರುಮರು ಮಾಡುವುದು - ಮಾದರಿ ತಾನೇ ನಿರ್ಧರಿಸುತ್ತದೆ, ಮಾನವರಿಂದ ಪೂರ್ವನಿಗದಿಯಾಗಿಲ್ಲ.

ಮರುಮರು ಲೂಪ್ಗಳು, ಉಪಕರಣ ಸಂಯೋಜನೆ ಮತ್ತು ಸ್ಮರಣೆ

ಏಜೆಂಟಿಕ್ ವ್ಯವಸ್ಥೆ ಲೂಪಿಂಗ್ ಸಂವಹನ ಮಾದರಿಯನ್ನು ಅವಲಂಬಿಸುತ್ತದೆ:

• ಆರಂಭಿಕ ಕರೆ: ಬಳಕೆದಾರನ ಗುರಿ (ಅಥವಾ ಬಳಕೆದಾರ ಪ್ರಾಂಪ್ಟ್) LLM ಗೆ ನೀಡಲಾಗುತ್ತದೆ.
• ಉಪಕರಣ ಕರೆ: ಮಾದರಿ ಮಾಹಿತಿ ಕಾಣದಿದ್ದರೆ ಅಥವಾ ಗೊಂದಲಕಾರಿ ಸೂಚನೆ ಬಿದ್ದರೆ, ದಾಖಲೆ ಸಂಗ್ರಹಿಸುವ ಹೊಸ ಉಪಕರಣ ಅಥವಾ ರಿಟ್ರೀವಲ್ ವಿಧಾನವನ್ನು ಆಯ್ಕೆಮಾಡುತ್ತದೆ - ಉದಾ. ವೆಕ್ಟರ್ ಡೇಟಾಬೇಸ್ (Azure AI Search ವೈಷಮ್ಯ ಶೋಧನೆ) ಅಥವಾ ರಚಿಸಲಾದ SQL ಕರೆ.
• ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಸುಧಾರಣೆ: ತಲುಪಿದ ಡೇಟಾವನ್ನು ಪರಿಶೀಲಿಸಿ, ಸಾಕಷ್ಟೇ ಎಂದು ತೀರ್ಮಾನಿಸಿದ್ರೆ ಅದು ತೃಪ್ತಿಯಾಗಿದೆ. ಇಲ್ಲದಿದ್ದರೆ, ಪ್ರಶ್ನೆಯನ್ನು ಸುಧಾರಿಸುವುದು, ಬೇರೆ ಉಪಕರಣ ಪ್ರಯತ್ನಿಸುವುದು ಅಥವಾ ಕ್ರಮವನ್ನು ಹೊಂದಿಸುವುದು.
• ತೃಪ್ತಿದಾಯಕವಾಗುವವರೆಗೆ ಪುನರಾವರ್ತನೆ: ಈ ಚಕ್ರವನ್ನು ನಂತರದ ಹಂತದಲ್ಲಿ ಸಮರ್ಪಕ ಉತ್ತರವನ್ನು ನೀಡಿದವರೆಗೆ ಮುಂದುವರಿಸುತ್ತಾನೆ.
• ಸ್ಮರಣೆ ಮತ್ತು ಸ್ಥಿತಿ: ವ್ಯವಸ್ಥೆ ಹಂತಗಳ ಮಧ್ಯೆ ಸ್ಥಿತಿ ಮತ್ತು ಸ್ಮರಣೆಯನ್ನು ಕಾಯ್ದುಕೊಳ್ಳುವುದರಿಂದ ಹಿಂದಿನ ಪ್ರಯತ್ನಗಳ ಫಲಿತಾಂಶಗಳನ್ನು ನೆನಪಿಡುತ್ತದೆ, ಪುನರಾವೃತ್ತಿ ತಪ್ಪಿಸುತ್ತದೆ ಮತ್ತು ಉತ್ತಮ ನಿರ್ಧಾರಗಳನ್ನು ನಂಬಿಸುತ್ತದೆ.

ಕಾಲನಂತರ, ಇದು ಮರುಮುಡಿಪಿನ ಅರಿವು ಮೂಡಿಸುತ್ತವೆ, ಮಾನವನ ಯಥಾಸ್ಥಿತಿ ಮಧ್ಯಸ್ಥಿಕೆಯ ಅಗತ್ಯವಿಲ್ಲದೆ ಸಂಕೀರ್ಣ, ಬಹು ಹಂತದ ಕೆಲಸಗಳನ್ನು ನಿಭಾಯಿಸಲು ಮಾದರಿಗೆ ಅನುಕೂಲವಾಗುತ್ತದೆ.

ವಿಫಲತೆಯ ಸ್ಥಿತಿಗಳು ಮತ್ತು ಸ್ವಯಂ-ತಿದ್ದುಪಡಿ

ಏಜೆಂಟಿಕ್ RAG ನ ಸ್ವಾಯತ್ತತೆಗೆ ತೊಡಗಿರುವುದು ಬಲವಾದ ಸ್ವಯಂ-ತಿದ್ದುಪಡಿ ಕ್ರಮಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ವ್ಯವಸ್ಥೆ ನಿರರ್ಥಕ ದಾಖಲೆಯನ್ನು ತಂದಾಗ ಅಥವಾ ಕೆಟ್ಟ ಪ್ರಶ್ನೆಗಳಿಗೆ ಮುಖಂಡವಾದಾಗ, ಅದು:

• ಮರುಮುಡಿ ಮತ್ತು ಮರುಪ್ರಶ್ನೆ: ಕಡಿಮೆ ಮೌಲ್ಯದ ಪ್ರತಿಕ್ರಿಯೆ ನೀಡುವ ಬದಲು, ಮಾದರಿ ಹೊಸ ಶೋಧನಾ ತಂತ್ರಗಳನ್ನು ಪ್ರಯತ್ನಿಸುತ್ತದೆ, ಡೇಟಾಬೇಸ್ ಪ್ರಶ್ನೆಗಳನ್ನು ಮರುಬರೆದಿಡುತ್ತದೆ ಅಥವಾ ಪರ್ಯಾಯ ಡೇಟಾ ಸೆಟ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ.
• ನಿರ್ಣಯ ಉಪಕರಣಗಳನ್ನು ಬಳಕೆ: ವ್ಯವಸ್ಥೆಯು ತನ್ನ ತರ್ಕ ಹಂತಗಳನ್ನು ದೋಷಮುಕ್ತಗೊಳಿಸಲು ಅಥವಾ ಪಡೆದ ಮಾಹಿತಿಯ ಸರಿತ್ವವನ್ನು ದೃಢೀಕರಿಸಲು ಸಹಾಯ ಮಾಡುವ ಹೆಚ್ಚುವರಿ ಕಾರ್ಯಗಳನ್ನು ಕರೆಸಬಹುದು. Azure AI ಟ್ರೇಸಿಂಗ್ ಮೊದಲಾದ ಉಪಕರಣಗಳು ದೃಢತೆಯ ನಿರೀಕ್ಷಣೆ ಮತ್ತು ನಿಗಾ ಸಾಧಿಸಲು ಪ್ರಮುಖವಾಗಿವೆ.
• ಮಾನವ ಮೇಲ್ವಿಚಾರಣೆಯFallback: ಹೆಚ್ಚಿನ ಅಪಾಯದಲ್ಲಿರುವ ಅಥವಾ ಮರುಭ್ರಮಿಸುವ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಮಾದರಿ ಅನುಮಾನ ಸೂಚಿಸಿ ಮಾನವರ ಮಾರ್ಗದರ್ಶನವನ್ನು ಕೇಳಬಹುದು. ಮಾನವರು ತಿದ್ದುಗೊಂಡ ನಂತರ, ಮಾದರಿ ಆ ಪಾಠವನ್ನು ಮುಂದಿನ ಬಾರಿ ಬಳಸಬಹುದು.

ಈ ಚಲನೆಯು ಮಾದರಿಯನ್ನು ನಿರಂತರವಾಗಿ ಸುಧಾರಿಸುವಂತೆ ಮಾಡುತ್ತದೆ, ಇದು ಒಂದೇ ಬಾರಿಗೆ ಪೂರ್ಣಗೊಂಡ ವ್ಯವಸ್ಥೆಯಾಗದೆ, ತನ್ನ ತಪ್ಪುಗಳಿಂದ ಕಲಿಯೋದು ಎನ್ನುವ ವ್ಯವಸ್ಥೆಯಾಗಿದೆ.

ಏಜೆನ್ಸಿ ನಿಬಂಧನೆಗಳು

ಕೆಲಸದ ಒಳಗೆ ಅದರ ಸ್ವಾಯತ್ತತೆ ಇರುವುದರ ಹೊರತಾಗಿಯೇ, ಏಜೆಂಟಿಕ್ RAG ಕಲ್ಪಿತ ಸಾಮಾನ್ಯ ಬುದ್ಧಿಮತ್ತೆಯೊಳಗಿನಂತೆ değildir. ಅದರ “ಏಜೆಂಟಿಕ್” ಸಾಮರ್ಥ್ಯಗಳು ಮಾನವರಿಂದ ಒದಗಿಸಲಾದ ಉಪಕರಣಗಳು, ಡೇಟಾ ಮೂಲಗಳು ಮತ್ತು ನೀತಿಗಳೊಳಗಾಗಿ ಸೀಮಿತವಾಗಿವೆ. ಅದು ತನ್ನದೇ ಉಪಕರಣಗಳನ್ನು ಸೃಷ್ಟಿಸಲು ಅಥವಾ ಡೊಮೇನ್‌ಗಳ ಬಾಹ್ಯಕ್ಕೆ ಹೆಜ್ಜೆ ಹಾಕಲು ಸಾಧ್ಯವಿಲ್ಲ. ಬದಲಾಗಿ ಇದಕ್ಕೆ ದೊರೆತ ಸಂಪನ್ಮೂಲಗಳನ್ನು ದಕ್ಷವಾಗಿ ಅನುಕೂಲಪಡಿಸುವ ಶಕ್ತಿ ಇದೆ. ಜಟಿಲ AI ರೂಪಗಳಿಗಿಂತ ಪ್ರಮುಖ ಭೇದಗಳು ಇವು:

1. ಡೊಮೇನ್-ನಿರ್ದಿಷ್ಟ ಸ್ವಾಯತ್ತತೆ: ಏಜೆಂಟಿಕ್ RAG ವ್ಯವಸ್ಥೆಗಳು ನಿರ್ದಿಷ್ಟ ಡೊಮೇನಿನೊಳಗೆ ಬಳಕೆದಾರ ನಿರ್ದೇಶಿತ ಗುರಿಗಳನ್ನು ಸಾಧಿಸಲು ಗಮನಹರಿಸುತ್ತವೆ, ಪ್ರಶ್ನೆ ಮರುಬರೆದು ಅಥವಾ ಉಪಕರಣ ಆಯ್ದುಕೊಳ್ಳುವ ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಫಲಿತಾಂಶ ಸುಧಾರಿಸುತ್ತವೆ.
2. ಮೂಲಸೌಕರ್ಯ ಅವಲಂಬನೆ: ವ್ಯವಸ್ಥೆಯ ಸಾಮರ್ಥ್ಯಗಳು ಅಭಿವೃದ್ಧಿಪಡಿದ ಉಪಕರಣಗಳು ಮತ್ತು ಡೇಟಾಗಳ ಮೇಲೆ ನಿರ್ಭರಿಸುತ್ತವೆ. ಮಾನವರ ಹಸ್ತಕ್ಷೇಪವಿಲ್ಲದೆ ಈ ಗಡಿಗಳನ್ನು ಮೀರುವುದಿಲ್ಲ.
3. ನಿಯಮಗಳ ಗೌರವ: ನೈತಿಕ ಮಾರ್ಗಸೂಚಿಗಳು, ಅನುಸರಣಾ ನಿಯಮಗಳು ಮತ್ತು ವ್ಯವಹಾರ ನೀತಿಗಳು ಬಹುಮುಖ್ಯ. ಏಜೆಂಟಿನ ಸ್ವಾತಂತ್ರ್ಯವು ಯಾವಾಗಲೂ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳು ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆ ಕ್ರಮಗಳಿಂದ ನಿಯಂತ್ರಿತವಾಗಿರುತ್ತದೆ (ನಂಬಿಕೆಯಿಂದ?).

ಪ್ರಾಯೋಗಿಕ ಬಳಕೆ ಮತ್ತು ಮೌಲ್ಯ

ಏಜೆಂಟಿಕ್ RAG ಪುನಃಪರಿಶೀಲನೆ ಮತ್ತು ನಿಖರತೆ ಅವಶ್ಯಕತೆ ಇರುವ ಸಂದರ್ಭಗಳಲ್ಲಿ ವಿಶೇಷವಾಗಿ ಬೆಳಗಿ ಬರುತ್ತದೆ:

1. ಸರಿಯಾದ ಫಲಿತಾಂಶದ ಪೇರ್ಹಚ್ಚು: ಅನುಸರಣೆ ಪರಿಶೀಲನೆಗಳು, ನಿಯಂತ್ರಣ ವಿಶ್ಲೇಶಣೆ ಅಥವಾ ಕಾನೂನು ಸಂಶೋಧನೆಯಲ್ಲಿ, ಏಜೆಂಟಿಕ್ ಮಾದರಿ ವಾಸ್ತವಗಳನ್ನು ಮರು ಪರಿಶೀಲಿಸಿ, ಅನೇಕ ಮೂಲಗಳನ್ನು ಪರಿಶೀಲಿಸಿ, ಪ್ರಶ್ನೆಗಳನ್ನು ಮರುಬರೆದು ಸಂಪೂರ್ಣ ಪರಿಶೀಲಿತ ಉತ್ತರ ನೀಡುತ್ತದೆ.
2. ಸಂಕೀರ್ಣ ಡೇಟಾಬೇಸ್ ಸಂವಹನಗಳು: ರಚಿಸಲಾದ ಡೇಟಾದಲ್ಲಿ ಪ್ರಶ್ನೆಗಳು ವಿಫಲವಾಗುವ ಅಥವಾ ತಿದ್ದುಪಡುವ ಅಗತ್ಯವಿರುವಾಗ, ವ್ಯವಸ್ಥೆ Azure SQL ಅಥವಾ Microsoft Fabric OneLake ಬಳಸಿ ಸ್ವತಃ ತನ್ನ ಪ್ರಶ್ನೆಗಳನ್ನು ಸುಧಾರಿಸಿ, ಕೊನೆಗೆ ಬಳಕೆದಾರರ ಉದ್ದೇಶಕ್ಕೆ ತಕ್ಕಂತೆ ರಿಟ್ರೀವಲ್ ಆಯಕೊಂಡಾಗುತ್ತದೆ.
3. ವಿಸ್ತಾರವಾದ ಕಾರ್ಯಪ್ರವಾಹಗಳು: ಉದ್ದವಾಗಿರುವ ಸೆಷನ್‌ಗಳು ಹೊಸ ಮಾಹಿತಿ ಸಿಕ್ಕೊಯ್ಯುವಂತೆ ಬೆಳೆಯುತ್ತವೆ. ಏಜೆಂಟಿಕ್ RAG ನಿರಂತರವಾಗಿ ಹೊಸ ಮಾಹಿತಿಯನ್ನು ಒಳಗೊಂಡು, ಸಮಸ್ಯೆ ಸ್ಥಳದ ಬಗ್ಗೆ ಹೆಚ್ಚಾಗಿ ತಿಳಿಯುವಂತೆ ತಂತ್ರಗಳನ್ನು ಬದಲಾಯಿಸುವುದು.

ನಿರ್ವಹಣೆ, ಪಾರದರ್ಶಕತೆ ಮತ್ತು ನಂಬಿಕೆ

ಈ ವ್ಯವಸ್ಥೆಗಳು ತಮ್ಮ ತರ್ಕದಲ್ಲಿ ಸ್ವತಂತ್ರವಾಗುತ್ತಿರುವಾಗ, ನಿರ್ವಹಣೆ ಮತ್ತು ಪಾರದರ್ಶಕತೆ ಅತ್ಯವಶ್ಯ:

• ವಿವರಣೆ ಸಾಧ್ಯತೆಯ ತರ್ಕ: ಮಾದರಿ ಬೇಸರಿಸಿದ ಪ್ರಶ್ನೆಗಳ ಟ್ರೇಲನ್ನು, ಪರಿಶೀಲಿಸಿದ ಮೂಲಗಳನ್ನು ಮತ್ತು ತಲುಪಿದ ತರ್ಕ ಹಂತಗಳನ್ನು ವಿವರಿಸಬಹುದು. Azure AI ಕಂಟೆಂಟ್ ಸೆಫ್ಟಿ ಮತ್ತು Azure AI ಟ್ರೇಸಿಂಗ್ / GenAIOps ಮೊದಲಾದ ಉಪಕರಣಗಳು ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಅಪಾಯ ತಗ್ಗಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ.
• ಪಕ್ಷಪಾತ ನಿಯಂತ್ರಣ ಮತ್ತು ಸಮತೋಲನ ರಿಟ್ರೀವಲ್: ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರು ಸಮತೋಲನ, ಪ್ರತಿನಿಧಿ ಮೂಲಗಳಿಂದ ಡೇಟಾವನ್ನು ಪರಿಗಣಿಸುವಂತೆ ರಿಟ್ರೀವಲ್ ತಂತ್ರಗಳನ್ನು ಸಿದ್ಧಪಡಿಸಿ, ಮತ್ತು_ADVANCED ಡೇಟಾ ಸೈನ್ಸ್ ಸಂಸ್ಥೆಗಳಿಗಾಗಿ ನಿಯಮಿತವಾಗಿ ಉತ್ಪನ್ನಗಳನ್ನು ಪರಿಶೀಲಿಸುವ ಕಸ್ಟಮ್ ಮಾದರಿಗಳನ್ನು ಬಳಸಬಹುದು Azure ಮೆಷಿನ್ ಲರ್ನಿಂಗ್.
• ಮಾನವ ಮೇಲ್ವಿಚಾರಣೆಯ ಮತ್ತು ಅನುಸರಣೆ: ಸಂವೇದನಾಶೀಲ ಕಾರ್ಯಗಳಿಗೆ ಮಾನವರ ಪರಿಶೀಲನೆ ಅಗತ್ಯವಿದೆ. ಏಜೆಂಟಿಕ್ RAG ಮಾನವರ ತೀರ್ಮಾನವನ್ನು ಬದಲಾಯಿಸುವುದಿಲ್ಲ ಆದರೆ ಹೆಚ್ಚು ಪರಿಶೀಲಿತ ಆಯ್ಕೆಗಳನ್ನು ನೀಡುವ ಮೂಲಕ ಅದನ್ನು ಬಲಪಡಿಸುತ್ತದೆ.

ಕ್ರಮಗಳ ಸ್ಪಷ್ಟ ದಾಖಲೆಗಳಿರುವ ಉಪಕರಣಗಳು ಬಹುಮುಖ್ಯ. ಅವುಗಳಿಲ್ಲದಿದ್ದರೆ, ಬಹು ಹಂತದ ಪ್ರಕ್ರಿಯೆಯನ್ನು ದೋಷ ನಿವಾರಣೆಯು ಬಹಳ ಕಷ್ಟಕರವಾಗುತ್ತದೆ. Literal AI (ಚೈನ್ಲಿಟ್‌ಗೆ ಹಿಂದುಳಿದ ಕಂಪನಿ) ಯಿಂದ Agent ರನ್ ಉದಾಹರಣೆ ನೋಡಿ:

ನಿರ್ಣಯ

ಏಜೆಂಟಿಕ್ RAG ತುಂಬಾ ಸಂಕೀರ್ಣ, ಮಾಹಿತಿಪ್ರಧಾನ ಕಾರ್ಯಗಳನ್ನು ಹೇಗೆ ನಿಯಂತ್ರಿಸುವುದರಲ್ಲಿ AI ವ್ಯವಸ್ಥೆಗಳ ಸಹಜ ಬೆಳವಣಿಗೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಲೂಪಿಂಗ್ ಸಂವಹನ ಮಾದರಿಯನ್ನು ಅಳವಡಿಸುವ ಮೂಲಕ, ಸ್ವತಃ ಉಪಕರಣಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿ, ಪ್ರಾಂಪ್ಟ್ಗಳನ್ನು ಸರಿಪಡಿಸುವ ಬಗೆಗೆ ಉನ್ನತ ಗುಣಮಟ್ಟದ ಫಲಿತಾಂಶ ತಲುಪುವವರೆಗೆ, ಈ ವ್ಯವಸ್ಥೆ ಸ್ಥಿರ ಪ್ರಾಂಪ್ಟ್ ಅನುಸರಿಸುವುದನ್ನು ಮೀರಿ, ಹೆಚ್ಚು ಅನೂಕೂಲ ಹಾಗೂ ಸಾಂದರ್ಭಿಕ ಜಾಗರೂಕ ತೀರ್ಮಾನ ಕರೆ ಮಾಡು ವುದಾಗಿದೆ. ಮಾನವರ ನಿಯೋಜಿತ ಮೂಲಸೌಕರ್ಯ ಮತ್ತು ನೈತಿಕ ಮಾರ್ಗಸೂಚಿಗಳಿಂದ ಬದ್ಧವಾಗಿದ್ದರೂ, ಈ ಏಜೆಂಟಿಕ್ ಸಾಮರ್ಥ್ಯಗಳು ಎಂಟರ್‌ಪ್ರೈಸ್ ಮತ್ತು ಅಂತಿಮ ಬಳಕೆದಾರರಿಗೆ ಹೆಚ್ಚು ಸಂಪೂರ್ಣ, ಚಲನೆಯ, ಹಾಗೂ ಉಪಯುಕ್ತ AI ಸಂವಹನಗಳನ್ನು ಒದಗಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ.

ಏಜೆಂಟಿಕ್ RAG ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ಪ್ರಶ್ನೆಗಳಿವೆಯೇ?

ಇತರ ಕಲಿಯುವವರ ಜೊತೆಗೆ ಭೇಟಿ ಮಾಡಲಾಗಿ, ಕಾರ್ಯಾಲಯ ಸಮಯಗಳಲ್ಲಿ ಭಾಗವಹಿಸಿ ಮತ್ತು ನಿಮ್ಮ AI ಏಜೆಂಟ್ಸ್ ಸಂಬಂಧಿತ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರ ಪಡೆಯಲು Microsoft Foundry Discord ಸೇರಿ.

ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳು

• Azure OpenAI ಸೇವೆ ಮೂಲಕ Retrieval Augmented Generation (RAG) ಅನುಷ್ಠಾನ: ನಿಮ್ಮ ಸ್ವಂತ ಡೇಟಾವನ್ನು Azure OpenAI ಸೇವೆಯೊಂದಿಗೆ ಹೇಗೆ ಬಳಸುವುದು ಎಂಬುದರ ವ್ಯಾಪಕ ಮಾರ್ಗದರ್ಶಿ ನೀಡುವ Microsoft Learn ಮODULE
• Microsoft Foundry ಯೊಂದಿಗೆ ಜನರೇಟಿವ್ AI ಅನ್ವಯಗಳ ಮೌಲ್ಯಮಾಪನ: ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿರುವ ಡೇಟಾ ಸೆಟ್‌ಗಳ ಮೇಲೆ ಮಾದರಿಗಳ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಹೋಲಿಕೆಯ ಕುರಿತು ಈ ಲೇಖನ, ಏಜೆಂಟಿಕ್ AI ಅಪ್ಲಿಕೇಶನ್ಗಳು ಮತ್ತು RAG ವಾಸ್ತುಶಿಲ್ಪಗಳನ್ನು ಒಳಗೊಂಡಿದೆ
• ಏಜೆಂಟಿಕ್ RAG ಎಂದರೇನು | Weaviate

• ಏಜೆಂಟಿಕ್ RAG: ಏಜೆಂಟ್ ಆಧಾರಿತ Retrieval Augmented Generation ಗೆ ಸಂಪೂರ್ಣ ಮಾರ್ಗದರ್ಶಿ – ಜೆನರೇಶನ್ RAG ನಿಂದ ನ್ಯೂಸ್

• ಏಜೆಂಟಿಕ್ RAG: ಕ್ವೇರಿ ಪುನರ್ ರೂಪರೇಷಣೆ ಮತ್ತು ಸ್ವ-ಕ್ವೆರಿಯನ್ನು ಬಳಸಿ ನಿಮ್ಮ RAG ನನ್ನು ಟರ್ಬೊಚಾರ್ಜ್ ಮಾಡಿ! Hugging Face ಓಪನ್-ಸೋರ್ಸ್ AI ಕೂಕುಕ್
• RAG ಗೆ ಏಜೆಂಟಿಕ್ ಲೇಯರ್‌ಗಳ ಸೇರಿಸುವಿಕೆ
• ಜ್ಞಾನ ಸಹಾಯಕರ ಭವಿಷ್ಯ: ಜೆರ್ರಿ ಲ್ಯೂ
• ಏಜೆಂಟಿಕ್ RAG ವ್ಯವಸ್ಥೆಗಳನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸುವುದು
• ನಿಮ್ಮ AI ಏಜೆಂಟ್ಸ್ ನನ್ನು ವಿಸ್ತರಿಸಲು Microsoft Foundry ಏಜೆಂಟ್ ಸೇವೆಯ ಬಳಕೆ

ಶೈಕ್ಷಣಿಕ ಪ್ರಬಂಧಗಳು

• 2303.17651 ಸ್ವ-ಸಂಶೋಧನೆ: ಸ್ವ-ಪ್ರತಿಕ್ರಿಯೆಯೊಂದಿಗೆ ಇಟರೇಟಿವ್ ಶುದ್ಧೀಕರಣ
• 2303.11366 ರಿಫ್ಲೆಕ್ಷನ್: ಭಾಶಾ ಏಜೆಂಟ್ಸ್ ಜೊತೆಗೆ ಮಾನವ ಮೌಲ್ಯ ಅಭಿವೃದ್ಧಿ ಅಧ್ಯಯನ
• 2305.11738 CRITIC: ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು ಉಪಕರಣ ಸಂವಾದಾತ್ಮಕ ಟಿಪ್ಪಣಿಯೊಂದಿಗೆ ಸ್ವ-ತಿದ್ದಿಕೊಳ್ಳಬಹುದು
• 2501.09136 ಏಜೆಂಟಿಕ್ ರಿಟ್ರಿವಲ್-ಆಗ್ಮೆಂಟೆಡ್ ಜನರೆಷನ್: ಏಜೆಂಟಿಕ್ RAG ಕುರಿತು ಸಮೀಕ್ಷೆ

ಈ ಏಜಂಟ್ ಅನ್ನು ಸ್ಮೋಕ್-ಟೆಸ್ಟ್ ಮಾಡುವುದು (ಐಚ್ಛಿಕ)

ಪಾಠ 16 ರಲ್ಲಿ ನೀವು ಏಜೆಂಟ್ಸ್ ಅನ್ನು ನಿಯೋಜಿಸುವುದನ್ನು ಕಲಿತ ನಂತರ, ನೀವು ಈ ಪಾಠದ TravelRAGAgent ಅನ್ನು ಸ್ಮೋಕ್-ಟೆಸ್ಟ್ ಮಾಡಬಹುದು — ಇದರ ಉತ್ತರಗಳು ಜ್ಞಾನ ಆಧಾರದ ಮೇಲೆ ಇರುತ್ತದೆ ಎಂದು ಪರಿಶೀಲಿಸಿ — ಈಗಾಗಿ tests/lesson-05-smoke-tests.json ನೋಡಿ. ಅದನ್ನು ಹೇಗೆ ನಡೆಸುವುದು ಎಂಬುದಕ್ಕಾಗಿ tests/README.md ನೋಡಿ.

ಹಿಂದಿನ ಪಾಠ

ಉಪಕರಣ ಬಳಕೆ ವಿನ್ಯಾಸ ಮಾದರಿ

ಮುಂದಿನ ಪಾಠ

ನಂಬಿಕಸಂಬಂಧಿತ AI ಏಜೆಂಟ್ಸ್ ನಿರ್ಮಿಸುವುದು

---

ಅಸ್ವೀಕಾರ: ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ Co-op Translator ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ದಯವಿಟ್ಟು ಗಮನಿಸಿ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸಡ್ಡೆಗಳು ಇರಬಹುದು. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜು ಪ್ರಾಮಾಣಿಕ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದವನ್ನು ಬಳಸುವ ಮೂಲಕ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಗಳ ಅಥವಾ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನಗಳ ಬಗ್ಗೆ ನಾವು ಹೊಣೆಗಾರರಲ್ಲ.

This site is open source. Improve this page.