各個行業、各種規模的組織都在爭先恐後地從生成式人工智慧中獲益，從提高營運效率到重塑業務。但當他們開始採用這種變革性技術時，他們遇到了一個共同的挑戰——提供準確的結果。

這是一個關鍵問題：偏見和其他不準確之處會降低信任。對生成式人工智慧應用程式來說，信任就是一切。

解決方案是什麼？客製化大型語言模型 (LLM)，這是為從入門級聊天機器人到企業級 AI 計畫的一切提供支援的關鍵 AI 技術。

法學碩士本身可能會提供不準確或過於籠統而無幫助的結果。為了真正在客戶和生成式人工智慧應用程式的其他用戶之間建立信任，企業需要確保準確、最新、個人化的回應。這意味著定制他們的法學碩士。

但定製法學碩士可能很複雜、耗時且佔用資源。它需要專業知識，並非每個組織都擁有資料科學家和機器語言工程師。但越來越多的組織正在選擇一種經過驗證的、經濟高效的客製化技術，該技術可以提高準確性和相關性，同時充分利用大多數組織已經擁有的大量資源：數據。

RAG 如何提高準確性

檢索增強生成 (RAG) 正在成為企業快速建立準確、可信任的生成式 AI 應用程式的首選客製化技術。 RAG 是一種快速、易於使用的方法，有助於減少不準確性（或「幻覺」）並提高答案的相關性。與法學碩士微調和持續預培訓等勞動密集型技術相比，它更具成本效益，並且需要更少的專業知識。

對於生成式 AI 應用程式建構者來說，RAG 提供了一種創建可信任生成式 AI 應用程式的有效方法。對於這些應用程式的客戶、員工和其他使用者來說，RAG 意味著更準確、相關、完整的回應，透過可以引用來源以提高透明度的回應來建立信任。

生成式人工智慧的輸出取決於其數據，因此選擇可靠的來源對於改善回應至關重要。 RAG 透過檢索和應用來自組織資料儲存以及值得信賴的外部事實來源的資料和見解來增強法學碩士，以提供更準確的結果。即使模型是根據舊資料訓練的，RAG 也可以透過存取當前的、近乎即時的資訊來更新模型。

RAG 在行動

食品配送公司 門板 將 RAG 應用於其生成式 AI 解決方案，以改善自助服務並增強提交大量援助請求的獨立承包商（「Dashers」）的體驗。

DoorDash 與 Amazon Web Services (AWS) 合作，透過語音操作的自助服務聯絡中心解決方案補充其傳統呼叫中心。對於其生成式 AI 解決方案的核心，DoorDash 使用 Anthropic 的 Claude 模型和 Amazon Bedrock，這是一項 AWS 服務，可協助組織快速輕鬆地建置和擴展生成式 AI 應用程式。

Bedrock 使用 RAG 客製化 Claude 3 Haiku 模型，使 DoorDash 能夠從公司來源存取深入、多樣化的知識庫，為 Dasher 提供相關、準確的回應，將平均回應時間縮短至 2.5 秒或更短。 DoorDash 的生成式人工智慧聯絡中心現在每天要處理數十萬通電話。

透過 RAG 存取這個龐大的資料庫是建立信任的關鍵。 DoorDash 聯絡中心產品負責人 Chaitanya Hari 表示：“我們建立了一個解決方案，讓 Dashers 在需要時可靠地訪問所需資訊。”

客製化的力量

客製化可以顯著提高回應準確性和相關性，特別是對於需要利用新鮮即時數據的用例。

RAG 並不是唯一的客製化策略；微調和其他技術可以在客製化法學碩士和建立生成式人工智慧應用程式中發揮關鍵作用。但隨著RAG 的發展及其功能的擴展，它將繼續作為一種快速、簡單的方式來開始使用生成式人工智慧，並確保更好、更準確的回應，在員工、合作夥伴和客戶之間建立信任。

了解更多關於 AWS 生成式人工智慧。