| Yhteenveto: | Retrieval-Augmented Generation (RAG) on menetelmä, joka yhdistää suurten
kielimallien generointikyvyn ulkoiseen tiedonhakuun perustuvaan lähestymistapaan. Tutkielma esittelee RAG-menetelmän keskeisiä toimintaperiaatteita, eri toteutusmuotoja, sekä
sen etuja ja rajoituksia verrattuna perinteisiin generatiivisiin kielimalleihin ja hakujärjestelmiin. Tutkielmassa osoitetaan, että RAG-menetelmän avulla kielimalli ei ole enää sidottu
ainoastaan koulutusdataansa, vaan voi dynaamisesti hakea ajankohtaista ja tarkkaa tietoa ulkoisista lähteistä, kuten tietokannoista ja dokumenttikokoelmista.
Retrieval-Augmented Generation (RAG) is a method that combines the generative capabilities of large language models with an approach based on external information
retrieval. This thesis will describe the operating principles of the RAG method, present its
different model types, and analyze the benefits and challenges it offers compared to traditional generative language models and information retrieval methods. The thesis demonstrates
that with RAG method, a language model is no longer limited to its training data alone but
can dynamically retrieve up-to-date and accurate information from external sources such as
databases and document collections.
|
|---|