AGENTE IA | Página de Teste
Qual é a diferença entre um chatbot e um agente?
- Não pensa
- Não consulta informação externa
- Não acessa a ferramentas externas
- Segue uma estrutura rígida de opções
- Apenas usa textos prontos
- Pensa
- Pode consultar informação externa para melhorar a resposta ao utilizador
- Usa ferramentas externas com por ex. o Gmail
- Acede a Bases de Dados
- Efetua calculos
Técnica usada
Retrieval-Augmented Generation (RAG) é uma técnica que combina os recursos de grandes modelos de linguagem (LLMs), como GPT-3 ou GPT-4, com fontes de dados externas. Essa abordagem permite que os sistemas ofereçam respostas mais precisas, aproveitando a capacidade de geração dos LLMs enquanto acessam informações específicas e atualizadas de bases de dados externas.
A importância do RAG reside na sua capacidade de superar limitações dos LLMs tradicionais, como respostas genéricas e a geração de informações falsas (conhecidas como alucinações). Integrando LLMs com dados externos, o RAG proporciona respostas mais confiáveis e adaptadas ao contexto das consultas dos utilizadores, melhorando a eficiência em aplicações como chatbots de suporte ao cliente, resumos de texto e recomendações personalizadas.
Benefícios do RAG
O RAG melhora os LLMs das seguintes maneiras:
- Conhecimento proprietário: o RAG pode incluir informações proprietárias não utilizadas inicialmente para treinar o LLM, como memorandos, e-mails e documentos para responder a perguntas específicas do domínio.
- Informações atualizadas: Um aplicativo RAG pode fornecer ao site LLM informações de uma base de conhecimento atualizada.
- Citação de fontes: o RAG permite que os LLMs citem fontes específicas, permitindo que os usuários verifiquem a precisão factual das respostas.
- Segurança de dados e listas de controle de acesso (ACL): a etapa de recuperação pode ser projetada para recuperar seletivamente informações pessoais ou proprietárias com base nas credenciais do usuário.