ai-agents-for-beginners

(இந்த பாடத்தின் வீடியோவை பார்க்க மேலுள்ள படத்தை கிளிக் செய்யவும்)

Agentic RAG

இந்த பாடம் Agentic Retrieval-Augmented Generation (Agentic RAG) என்ற வளர்ந்து வரும் AI முறைமை பற்றிய விரிவான மேற்பார்வையை வழங்குகிறது, இதில் பெரிய மொழி மாதிரிகள் (LLMs) வெளித்தளம் ஊடான தகவல்களை பெற்றுக் கொண்டு தாங்களே அடுத்த படிகளை திட்டமிடுகின்றன. நிலையான retrieval-then-read மாதிரிகளுடன் மாறுபடியாக, Agentic RAG LLM க்கு முறையே கூப்பிடுதல்கள் வழங்கப்படுவதுடன், கருவி அல்லது செயல்பாட்டு அழைப்புகள் மற்றும் கட்டமைக்கப்பட்ட வெளியீடுகள் இடையே இடைவெளி பிடிக்கப்பட்டிருக்கின்றன. இந்த முறைமை பெறுபேறுகளை மதிப்பீடு செய்து, விசாரணைகளில் திருத்தம் செய்து, தேவையானால் கூடுதல் கருவிகள் இயக்கி, திருப்திகரமான தீர்வை அடையும் வரை இந்த சுழற்சியை தொடர்கிறது.

அறிமுகம்

இந்த பாடத்தில் உங்களுக்கு

• Agentic RAG ஐ புரிந்து கொள்ளுதல்: பெரிய மொழி மாதிரிகள் (LLMs) வெளிப்புற தரவுகளிலிருந்து தகவலைத் தேடும் போது தாங்களே அடுத்த படிகளை திட்டமிட்டு செயல்படும் AI-இல் வளர்ந்து வரும் முறைமை பற்றிக் கற்றுக்கொள்ளுங்கள்.
• முறைமையாக்க Maker-Checker வகை: LLM க்கு முறையே கூப்பிடுதல்கள் வழங்கப்படுவதுடன், கருவி அல்லது செயல்பாட்டை அழைப்பதற்கான மற்றும் கட்டமைக்கப்பட்ட வெளியீடுகளுடன் கூடிய ஒரு தகவல் பரிமாற்ற சுழற்சியைக் கையாள்வதை புரிந்து கொள்ளுங்கள், இது துல்லியத்தை மேம்படுத்தவும் தவறான கேள்விகளை கையாளவும் அமைகிறது.
• பயன்பாட்டு சூட்டுக்கள்: Agentic RAG வளரும் இடங்கள் எவைகள் என்பதை அடையாளம் காணுங்கள், உதாரணமாக துல்லியத்துக்கான சூழல்கள், கூடிய தரவுத்தள தொடர்புகள் மற்றும் நீண்டு செயலாக்கங்கள்.

கல்வி இலக்குகள்

இந்த பாடத்தை முடித்த பிறகு, நீங்கள் கீழ்க்கண்டவற்றை தெரிந்து கொள்ள முடியும்:

• Agentic RAG ஐ புரிந்து கொள்ளுதல்: உள்ளூர் மற்றும் வெளிப்புற தரவுகளிலிருந்து தகவல் பெற்று பெரிய மொழி மாதிரிகள் தாங்களே அடுத்த படிகளை திட்டமிடும் வளர்ந்து வரும் AI முறைமை பற்றிக் கற்றுக்கொள்ளுங்கள்.
• முறைமையாக்க Maker-Checker வகை: LLM க்கு முறையே கூப்பிடுதல்கள் வழங்கும் சுழற்சிக்கு உட்பட்ட கருவி அல்லது செயல்பாட்டுக் கூப்பிடுதல்கள் மற்றும் கட்டமைக்கப்பட்ட வெளியீடுகளுக்கு இடையேயான தொடர்புகளைப் புரிந்துகொள்ளுங்கள், இது துல்லியத்தையும் தவறான கேள்விகளையும் கையாள்வதற்காக.
• கருத்துக்களை நன்கு புரிந்து கொள்வது: முறைமை தானாகவே தனது நியாயமார்ப்பை நடத்தும் திறனை அறிந்து கொள்ளுங்கள், முன்கூட்டியே தீர்மானிக்கப்பட்ட பாதை இல்லாமல் பிரச்சினைகளை அணுகும் விதத்தைத் தேர்வு செய்கிறது.
• செயற்பாட்டு முறை: ஒரு agentic மாதிரி சுயமாக சந்தை போக்கு அறிக்கைகளை தேடுகிறதென்று, போட்டியாளர்களின் தரவுகளை கண்டறிந்து, உள்ளக விற்பனை அளவுருக்களை இணைத்து, கண்டுபிடிப்புகளை ஒருங்கிணைத்து, திட்டத்தை மதிப்பீடு செய்கிறது என்பதை புரிந்துகொள்ளுங்கள்.
• சுழற்சி, கருவி ஒருங்கிணைப்பு மற்றும் நினைவகம்: முறைமை ஒரு சுழற்சி தொடர்பு முறைமைக்கு நம்பிக்கை வைக்கிறது: படிகளை மீண்டும் தொடராமல் மேற்கொள்ளையான முடிவுகள் எடுப்பதற்காக நிலை மற்றும் நினைவகத்தை பராமரிக்கிறது.
• தவறுகளை கையாளும் மற்றும் தானாகச் சரிபார்ப்பு: முறைமை அதன் தானாகச் சரிபார்ப்பு திறன்களை ஆராயுங்கள், இது மறு விசாரணை மற்றும் மீண்டும் கேள்வி கேட்கும், நோயறிதல் கருவிகளை பயன்படுத்தும் மற்றும் மனித கண்காணிப்பில் திரும்பி செல்வதையும் உள்ளடக்கியது.
• Agentic சுடர்கள்: Agentic RAG இன் வரம்புகளைப் புரிந்து கொள்ளுங்கள், குறிப்பாக துறை சார்ந்த சுதந்திரம், கட்டமைப்பில் சார்பானது மற்றும் பாதுகாப்பு வழிகாட்டுதல்களை மதிப்பது.
• பயன்பாட்டு வழிகள் மற்றும் மதிப்பு: Agentic RAG வளரும் சூட்டுக்கள், உதாரணமாக துல்லிய முதன்மை சூழல்கள், கூடிய தரவுத்தள ஈடுபாடுகள் மற்றும் நீண்ட செயலாக்கங்கள் என்பவற்றை அடையாளம் காணுங்கள்.
• ஆய்வகம், வெளிப்படை மற்றும் நம்பிக்கை: விளக்கக்கூடிய நியாயம், பாகுபாடுகளை கட்டுப்படுத்தல் மற்றும் மனித கண்காணிப்பின் முக்கியத்துவத்தைப் பற்றிக் கற்றுக்கொள்ளுங்கள்.

Agentic RAG என்றால் என்ன?

Agentic Retrieval-Augmented Generation (Agentic RAG) என்பது பெரிய மொழி மாதிரிகள் (LLMs) தாங்களே அடுத்த படிகளை திட்டமிட்டு செயற்படுவதோடு, வெளிப்புற ஆதாரங்களிலிருந்து தகவல்களை பெறும் வளர்ந்து வரும் AI முறைமை ஆகும். நிலையான retrieval-then-read மாதிரிகளுடன் மாறுபடியாக, Agentic RAG LLM க்கு முறையே கூப்பிடுதல்கள் வழங்கப்படுவதுடன் கருவி அல்லது செயல்பாட்டு அழைப்புகள் மற்றும் கட்டமைக்கப்பட்ட வெளியீடுகள் இடையே இடைவெளி கொடுக்கிறது. முறைமை பெறுபேறுகளை மதிப்பாய்வு செய்து, விசாரணைகளை மேம்படுத்தி, தேவையானால் கூடுதல் கருவிகளை அழைத்து, திருப்திகரமான தீர்வை அடையும் வரை இந்த சுழற்சியை தொடர்கிறது. இந்த இயக்க முறையான “maker-checker” முறையைப் பயன்படுத்துவது துல்லியத்தை மேம்படுத்தவும் தவறான கேள்விகளை கையாளவும் உயர்நிலை தரமான பெறுமதிகளை உறுதிப்படுத்தும்.

முறைமை தன்னுடைய நியாயமார்ப்பை முழுமையாக இடமாற்றுகிறதோடு தோல்வியடைந்த விசாரணைகளை மீண்டும் எழுதுகிறது, வேறு retrieval முறைகளைத் தேர்ந்தெடுக்கிறது, Azure AI Search வில் vector search, SQL தரவுத்தளங்கள் அல்லது தனிப்பட்ட API கள் போன்ற பல கருவிகளுடன் ஒருங்கிணைக்கிறது, பிறகு முடிவை இறுதியில் வழங்குகிறது. Agentic முறைமையின் தனிப்பட்ட சிறப்பு அதன் நியாயமார்ப்பை முழுமையாக கையாளும் திறனே ஆகும். பாரம்பரிய RAG செயலாக்கங்கள் முன்கூட்டியே தொகுக்கப்பட்ட பாதைகளை பயன்படுத்தினாலும், agentic முறைமை தானாகவே தகவல் தரம் அடிப்படையில் செயல்படுவதற்கான படிகள் வரிசையை தீர்மானிக்கிறது.

Agentic Retrieval-Augmented Generation (Agentic RAG) என்பதை வரையறுக்குதல்

Agentic Retrieval-Augmented Generation (Agentic RAG) என்பது LLM கள் வெளிப்புற தரவுகளிலிருந்து தகவல் பெறுவதோடு, தாங்களே அடுத்த படிகளைத் திட்டமிடும் வளர்ந்து வரும் AI முறைமை ஆகும். நிலையான retrieval-then-read மாதிரிகள் அல்லது கூர்மையான முன்மொழிவு தொடர்களுக்கு மாறாக, Agentic RAG LLM க்கு முறையே கூப்பிடுதல்கள் வழங்கி, கருவி அல்லது செயல்பாட்டு அழைப்புகள் மற்றும் கட்டமைக்கப்பட்ட வெளியீடுகளுடன் இணைந்த ஒரு சுழற்சி கொண்டது. ஒவ்வொரு முறையிலும், முறைமை பெற்ற பெறுபேறுகளை மதிப்பாய்வு செய்து, விசாரணைகளை மேம்படுத்த வேண்டும் என்பதை தீர்மானித்து, தேவையானால் கூடுதல் கருவிகளை இயக்கி, திருப்தி அளிக்கும் தீர்வைக் கிடைக்கும் வரை இந்த சுழற்சி தொடர்கிறது.

இந்த முறையான “maker-checker” செயல்பாடு துல்லியத்தை மேம்படுத்தவும், கட்டமைக்கப்பட்ட தரவுத்தளங்களுக்கு தவறான கேள்விகளை (எ. NL2SQL) கையாளவும், சமநிலை மற்றும் உயர்தர பெறுபேறுகளை உறுதிப்படுத்தவும் வடிவமைக்கப்பட்டுள்ளது. கவனமாக வடிவமைக்கப்பட்ட முன்மொழிவு தொடர்களுக்குத் தேவையில்லை. முறைமை தன்னுடைய நியாயமார்ப்பு செயல்முறையை முழுமையாக கையாள்கிறது. தோல்வியடைந்த விசாரணைகளை மறுபரிசீலனை செய்து எழுத முடியும், வேறு retrieval முறைமைகளை தெரிவுசெய்கிறது, Azure AI Search இல் vector search, SQL தரவுத்தளங்கள் அல்லது தனிப்பட்ட API களை ஒருங்கிணைக்கிறது மற்றும் பிறகு முடிவை வழங்குகிறது. இது மிகக் கடினமான ஒருங்கிணைப்பு அமைப்புகளுக்கு வேண்டாமை ஏற்படுத்துகிறது. மாறாக, “LLM call → கருவி பயன்பாடு → LLM call → …” என்ற ஒரு எளிய சுழற்சி மூன்று நுட்பமான மற்றும் நன்கு அடிப்படையுள்ள வெளியீடுகளைக் கொடுக்க முடியும்.

நியாயமார்ப்பை கையாளல்

ஒரு முறைமையை “agentic” ஆகும் வகையில் தனித்துவமாக்குவதற்கு, அது தனது நியாயமார்ப்பை முழுமையாக கையாளும் திறன் ஆகும். பாரம்பரிய RAG செயலாக்கங்களில் மனிதர்கள் மாடலுக்கான பாதையை முன்கூட்டியே பரிசீலித்து நிர்ணயிப்பார்கள்: ஒரு chain-of-thought, என்ன பெற வேண்டுமென்று மற்றும் எப்போது என்பதைக் குறிப்பிடும். ஆனால் ஒரு முறைமை உண்மையில் agentic ஆக இருக்கும்போது, பிரச்சினையை அணுகுவது எப்படி என்பதைக் தானாகவே தீர்மானிக்கிறது. அது ஒரு ஸ்கிரிப்டைப் பொருத்துவதில்லை; தகவல் தரத்தின் அடிப்படையில் படிகள் வரிசையை தன்னிச்சையாகத் தீர்மானிக்கிறது. உதாரணமாக, இது ஒரு தயாரிப்பு அறிமுகப்படுத்தல் திட்டத்தை உருவாக்க வணங்கப்பட்டால், முழு ஆராய்ச்சி மற்றும் முடிவெடுத்தல் வேலைப்பாட்டை முழுமையாக குறிப்பிட்ட முன்மொழிவில் மட்டும் சாராமையாது. அதற்குப் பதிலாக, agentic மாடல் சுயமாக தீர்மானிக்கிறது:

1. Bing Web Grounding உபயோகித்து தற்போதைய சந்தை போக்கு அறிக்கைகளை தேடுதல்
2. Azure AI Search மூலம் தொடர்புடைய போட்டியாளர்களின் தரவை அடையாளம் காணுதல்
3. Azure SQL Database பயன்படுத்தி வரலாற்று உள்ளக விற்பனை அளவுருக்களை ஒப்பிடுதல்
4. Azure OpenAI Service மூலம் ஒருங்கிணைக்கப்பட்ட ஒரு திட்டமாக கண்டுபிடிப்புகளை தொகுத்தமைத்தல்
5. திட்டம் குறைகள் அல்லது முரண்பாடுகள் உள்ளதா என்பதை மதிப்பீடு செய்தல், தேவையாயின் மற்றொரு retrieval சுற்றுவழியைத் தொடங்குதல் இந்த படிகள் அனைத்தும்—விசாரணைகளை மேம்படுத்துதல், மூலங்களைத் தேர்ந்தெடுத்தல், பதிலை “முட்டியடைக்க” சுழற்றுதல்—மாதிரி தானாகவே தீர்மானிக்கிறது, எந்த மனிதர்களாலும் முன்கூட்டியே ஸ்கிரிப்ட் செய்யப்படவில்லை.

சுழற்சி, கருவி ஒருங்கிணைப்பு மற்றும் நினைவகம்

ஒரு agentic முறைமை ஒரு சுழற்சி தொடர்பு முறைமையை நம்புகிறது:

• துவக்க கூப்பிடம்: பயனரின் குறிக்கோள் (அதுவே பயனர் முன்மொழிவு) LLM க்கு வழங்கப்படுகிறது.
• கருவி அழைப்பு: மாதிரி தேவையான தகவல் இல்லை அல்லது குழப்பமான வழிமுறைகள் கண்டறிந்தால், அது ஒரு கருவியை அல்லது retrieval முறையை தேர்வு செய்கிறது — உதாரணமாக vector தரவுத்தளக் கேள்வி (Azure AI Search Hybrid search தனிப்பட்ட தரவுகளில்) அல்லது கட்டமைக்கப்பட்ட SQL அழைப்பு — மேலும் சூழலைப் பெற.
• மதிப்பீடு மற்றும் மேம்பாடு: திருப்பிய தரவுகளைக் காண்பித்தபின், தகவல் போதுமானதா என்று மாதிரி தீர்மானிக்கிறது. இல்லையெனில், கேள்வியை மேம்படுத்து, வேறு கருவியை முயற்சி செய் அல்லது அணுகுமுறையை சரி செய்.
• திருப்தி அடையும் வரை மீண்டும் கடைசி: மாதிரி போதுமான தெளிவு மற்றும் ஆதாரத்தை உறுதிப்படுத்தும் வரை இந்தச்சுழற்சி தொடர்கிறது.
• நினைவகம் மற்றும் நிலை: முறைமை படிகளுக்கு இடையே நிலை மற்றும் நினைவகத்தை பராமரிப்பதால், முறைமையின் முன் முயற்சிகள் மற்றும் முடிவுகளை நினைவில் வைத்திருக்கிறது, மீண்டும் மீண்டும் சுழற்சி செய்யாமல் நுண்ணறிவான முடிவுகளை எடுக்க இயலும்.

நேரத்தின் ஓட்டத்தில், இது வளர்ந்து கொண்டுள்ள புரிதலின் உணர்வை உருவாக்குகிறது, மனிதர் இடையறாது தலாடாமலும் ஸ்கிரிப்டை மீண்டும் எழுதியும்கூடாமல், மாதிரியை கடினமான, பல படிப்படிகளைக் கொண்ட பணிகளை வழிநடத்த உதவுகிறது.

தோல்வி முறைகள் மற்றும் தானம்-சரி செய்வது

Agentic RAG இன் சுதந்திரம் பல வலுவான தானாகச் சரிபார்ப்பு முறைகளை உள்ளடக்கியது. முறைமை இறுதி முனைகளில் (உதாரணமாக தொடர்பற்ற ஆவணங்களை மீட்டெடுக்கும் போது அல்லது தவறான கேள்விகளால்) சிக்கினால்:

• மீண்டும் முயற்சி செய்து கேள்வி கேட்குதல்: குறைந்த மதிப்புள்ள பதில்களைத் தருவதை தவிர்த்து, மாதிரி புதிய தேடல் முறைகளை முயற்சி செய்கிறது, தரவுத்தள கேள்விகளை மீண்டும் எழுதி பார்க்கிறது அல்லது மாற்று தரவுகளை ஆராய்கிறது.
• நோயறிதல் கருவிகளைப் பயன்படுத்துதல்: முறைமை அதன் நியாயமார்ப்பு படிகளைக் கண்டறிய அல்லது பெறப்பட்ட தரவின் துல்லியத்தை உறுதிப்படுத்த கூடுதல் செயல்பாடுகளை இயக்கலாம். Azure AI Tracing போன்ற கருவிகள் வலுவான கண்காணிப்பு மற்றும் கண்காணிப்பை வழங்கும்.
• மனித கண்காணிப்பில்fallback: உயர் மட்டம் அல்லது மீண்டும் தோல்வியடையும் சூழல்களுக்கு, மாதிரி உறுதிப்படாமல் இருந்து மனித வழிகாட்டலை கேட்கலாம். மனிதன் திருத்தக் கருத்துக்களை வழங்கியதும், மாதிரி இதை எதிர்காலத்தில் உள்ளடக்க முடியும்.

இந்த முறைவழி மற்றும் இயக்க முறை அமைப்பு தொடர்ச்சியான மேம்பாட்டைத் திறக்கிறது, இதனால் முறைமை ஒரே தடவை செயல் செய்யும் அமைப்பல்ல, அது விதித்துள்ள தவறுகளிலிருந்து கற்றுக்கொள்கிறது.

Agentic எல்லைகள்

ஒரு பணிக்குள் தன்னாட்சி பெற்றிருப்பினும், Agentic RAG கৃতிர்தோற்ற சாதாரண நுண்ணறிவுடன் ஒப்பிடும்போது வேறுபட்டது. அதன் “agentic” திறன்கள் மனித உருவாக்கிய கருவிகள், தரவுத் தோற்றங்கள் மற்றும் கொள்கைகளுடன் மட்டுமே வரையறுக்கப்படுகின்றன. அது தன்னுடைய கருவிகளை உருவாக்க முடியாது அல்லது அமைந்த களத்துக்கு வெளியில் செல்ல முடியாது. மாறாக, புள்ளிகளைக் கட்டமைப்பதில் திறன் கொண்டது. மேம்பட்ட AI வடிவங்களிலிருந்து முக்கிய வேறுபாடுகள்:

1. துறை சார்ந்த சுயாட்சி: Agentic RAG முறைகள் அறிந்த துறையில் பயனர் வரையறுத்த குறிக்கோள்களை அடைய கவனம் செலுத்தும், கேள்வி மாற்றுதல் அல்லது கருவி தெரிவுசெய்தல் போன்ற யுக்திகளை பயன்படுத்துகின்றன.
2. உட்கட்டமைப்புக்கேற்ப: முறைமையின் திறன்கள் அலைக்கழிக்கட்டு உருவாக்கிய கருவிகள் மற்றும் தரவுகளின் மேலிருப்பில் அமைகின்றன. மனித இடையீடு இல்லாமல் இவ்வளவு எல்லைகளை கடக்க முடியாது.
3. பாதுகாப்பு விதிகளின் மரியாதை: ஒழுக்க விதிகள், ஒத்துழைப்பு விதிகள் மற்றும் வணிக கொள்கைகள் மிக முக்கியமானவை. எஜன்ட் சுதந்திரம் எப்போதும் பாதுகாப்பு மற்றும் கண்காணிப்பு முறைகளால் கட்டுப்படுத்தப்படும் (என்றும்?).

நடைமுறை பயன்பாடுகள் மற்றும் மதிப்பு

Agentic RAG திருத்தம் மற்றும் துல்லியத்தைக் கேட்டுக்கொள்ளும் சூழல்களில் சிறந்தது:

1. துல்லிய முதன்மை சூழல்கள்: ஒத்துழைப்பு சோதனைகள், ஒழுக்கக் கணக்கீடு அல்லது சட்ட ஆய்வு போன்ற இடங்களில், agentic மாடல் மீண்டும் மீண்டும் உண்மையை சரிபார்க்க, பல மூலங்களை அணுகி, கேள்விகளை மறுபடியும் எழுதி முழுமையாக பரிசோதனையான பதிலை வழங்கும்.
2. கூடிய தரவுத்தள ஈடுபாடுகள்: கட்டமைக்கப்பட்ட தரவுகளுடன் கையாளும் போது கேள்விகள் வெற்றியடையாத அல்லது சரிசெய்ய வேண்டிய நிலை இருப்பின், முறைமை Azure SQL அல்லது Microsoft Fabric OneLake உபயோகம் செய்து, இறுதி பெறுதல் பயனர் நோக்கத்துக்கு ஏற்ப உறுதி செய்துகொள்கிறது.
3. நீண்ட செயலாக்கங்கள்: நீண்டகால அமர்வுகள் புதிய தகவல்கள் வெளிமைகின்றபோது வளரவுள்ளன. Agentic RAG புதிய தரவுகளை தொடர்ச்சியாகச் சேர்க்க, எனவே பிரச்சினை பரப்பைப் பற்றி அதிகம் கற்றுக்கொண்டதைப் பொருத்து யுக்திகளை மாற்றி பெறுகிறது.

ஆளுமை, வெளிப்படை மற்றும் நம்பிக்கை

இந்த முறைமைகள் தங்கள் நியாயமாற்றத்தில் தன்னாட்சி பெற்று வருகின்றதால், ஆளுமை மற்றும் வெளிப்படை முக்கியமானவை:

• விளக்கக்கூடிய நியாயம்: மாதிரி அது காட்டிய விசாரணைகள், அணுகிய மூலங்கள் மற்றும் எடுத்த நியாயமாற்ற படிகள் பற்றிய கணக்காய் ஒரு நОтை வழங்க முடியும். Azure AI Content Safety மற்றும் Azure AI Tracing / GenAIOps போன்ற கருவிகள் வெளிப்படையை பராமரிக்க உதவும் மற்றும் அபாயங்களை குறைக்கும்.
• பாகுபாடுகளை கட்டுப்படுத்தல் மற்றும் சமநிலை பெற்ற retrieval: உருவாக்குநர்கள் retrieval யுக்திகளை ஒழுங்குபடுத்தி சமநிலை மற்றும் பிரதிநிதிப்புள்ள தரவுகளை உறுதிப்படுத்த, மற்றும் முன்னேற்றப் பகுப்பாய்வظيم மாதிரிகள் மூலம் आउटपुटகளை ஒழுங்குபடுத்தவும் நிதானமாக ஆய்வு செய்யவும் முடியும்.
• மனித கண்காணிப்பு மற்றும் ஒத்துழைப்பு: உணர்ச்சிமிகு பணிகளுக்கு, மனித மதிப்பீடு அவசியம். Agentic RAG உயர்தரத் தீர்மானங்களில் மனித வாக்குநிலையை மாற்றாது—பரிசோதனை செய்யப்பட்ட விருப்புகளை வழங்கி அதை உதவுகிறது.

செயல்கள் பற்றிய தெளிவான பதிவுகளை வழங்கும் கருவிகள் அவசியம். அவை இல்லாமல், பல படிகள் கொண்ட செயல்முறையை விசாரிக்க மிகவும் கடினமாகும். Literal AI (Chainlit மீது உள்ள நிறுவனம்) கொடுத்த உதாரணத்தைப் பாருங்கள்:

முடிவு

Agentic RAG என்பது AI முறைமைகள் சொக்குத் தரவும், தரவுத்தொகுப்பு பணிகளை சிறப்பாக கையாளவும் எவ்வாறு வளர்ந்துவருகிறது என்பதை வெளிப்படுத்துகிறது. முறைமையாக்க தொடர்பு மாதிரியை கையாள்வதோடு, கருவிகளை சுயமாக தெரிவு செய்தல் மற்றும் தரவுகளை திறமையான முறையில் திருத்துவதோடு, நிலையான முன்மொழிவைப் பின்பற்றுவதை முற்றிலும் கடந்து, சூழல் விழிப்புணர்வுடன் கூடிய முடிவெடுத்தல் முறைமை ஆகிறது. மனிதராலும் நிர்ணயிக்கப்பட்ட சட்டங்கள் மற்றும் ஒழுக்கவியல் விதிகளால் வரையறுக்கப்பட்டாலும், இந்நிலை நிரூபிக்கப்பட்ட திறன்கள் தொழில்கள் மற்றும் இறுதி பயனாளர்களுக்கு இன்னும் வளமான, தைரியமான மற்றும் பயனுள்ள AI தொடர்புகளை வழங்குகின்றன.

Agentic RAG பற்றி கூடுதல் கேள்விகள் உண்டா?

Microsoft Foundry Discord இல் சேர்ந்து மற்ற கற்கைகளுடன் சந்திக்கவும், அலுவலக நேரங்களில் கலந்துகொண்டு, உங்கள் AI போடுவரிசைகளை தீர்க்கவும்.

கூடுதல் வளங்கள்

• Azure OpenAI சேவையுடன் Retrieval Augmented Generation (RAG) ஐ அமல்படுத்துதல்: Azure OpenAI சேவையுடன் உங்கள் சொந்த தரவை எப்படி பயன்படுத்துவது என்பதை கற்றுக்கொள்ளுங்கள். இந்த Microsoft Learn படி தொகுப்பு RAG ஐ செயல்படுத்துவதற்கான முழுமையான வழிகாட்டுதலை வழங்குகிறது
• Microsoft Foundry உடன் உருவாக்கும் AI செயலிகளின் மதிப்பீடு: இந்த கட்டுரையில் பொதுவில் கிடைக்கும் தரவுத்தொகுதிகள் மீது மாதிரிகளை மதிப்பீடு செய்யவும் ஒப்பிடவும் செய்துள்ளது, அதில் Agentic AI செயலிகள் மற்றும் RAG அமைப்புகள் உள்ளன
• Agentic RAG என்றால் என்ன | Weaviate
• Agentic RAG: முகவர் அடிப்படையிலான Retrieval Augmented Generation க்கான முழுமையான வழிகாட்டி – generation RAG இல் இருந்து செய்திகள்
• Agentic RAG: உங்கள் RAG ஐ கேள்வி மறுசீரமைப்பு மற்றும் தானாக கேள்விப்படுதல் மூலம் Turbocharge செய்யவும்! Hugging Face Open-Source AI Cookbook
• RAGக்கு Agentic அடுக்குகளை சேர்ப்பது
• அறிவுக் குழுவினர்களின் எதிர்காலம்: ஜெரி லியு
• Agentic RAG அமைப்புகளை உருவாக்குவது எப்படி
• Microsoft Foundry முகவர் சேவையை பயன்படுத்தி உங்கள் AI முகவர்களை பரிமாணம் செய்யுதல்

அகாடமிக் கட்டுரைகள்

• 2303.17651 தானாக மேம்பாட்டு (Self-Refine): தானாக கருத்துப்படி திருத்தம்
• 2303.11366 ரெஃப்ளெஷன்: வாய்வழி பலப்படுத்தலுடன் மொழி முகவர்கள்
• 2305.11738 CRITIC: பெரிய மொழி மாதிரிகள் சாதன உடனடி விமர்சனத்துடன் தானாக திருத்தப்பட முடியும்
• 2501.09136 Agentic Retrieval-Augmented Generation: Agentic RAG குறித்த ஒரு ஆய்வு

previous Lesson

Tool Use Design Pattern

Next Lesson

Building Trustworthy AI Agents

---

கட்டாய அறிவிப்பு:
இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவையான Co-op Translator மூலம் மொழிபெயர்க்கப்பட்டுள்ளது. துல்லியத்திற்காக முயலுகிறாலும், தானாக செய்யப்பட்ட மொழிபெயர்ப்பு தவறுகள் அல்லது பிழைகள் அடங்கலாம் என்பதை தயவுசெய்து கவனிக்கவும். அசல் ஆவணம் அதன் பாரம்பரிய மொழியில் அதிகாரப்பூர்வ மூலமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்நுட்பமான மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பின் பயன்படுத்தலால் ஏற்பட்ட எந்த தவறுதல்களுக்கு அல்லது தவறான புரிதல்களுக்கு நாங்கள் பொறுப்பாக இருக்க மாட்டோம்.

This site is open source. Improve this page.