Daftar Isi
RAG atau Retrieval-Augmented Generation adalah pendekatan yang mengambil informasi dari sumber eksternal yang relevan, lalu memasukkannya ke konteks model bahasa sebelum model menyusun jawaban. Teknik ini sering dipakai untuk membuat aplikasi AI menjawab berdasarkan kumpulan dokumen, seperti panduan produk atau kebijakan internal.
RAG dapat membantu menghubungkan model generatif dengan materi tertentu, tetapi tidak menjamin jawaban selalu benar. Mutu hasil bergantung pada dokumen, pencarian informasi, cara konteks disusun, dan pemeriksaan jawaban.
Apa arti Retrieval-Augmented Generation?
Namanya terdiri dari tiga gagasan. Retrieval berarti mengambil informasi yang relevan; augmented berarti menambahkan informasi itu ke masukan model; generation berarti model menghasilkan respons berdasarkan prompt dan konteks yang tersedia.
Penjelasan AWS tentang RAG menggambarkan teknik ini sebagai cara mengacu pada basis pengetahuan eksternal sebelum model membuat jawaban. Sumber tersebut dapat berupa dokumen organisasi atau kumpulan materi lain yang disiapkan untuk aplikasi.
Bagaimana cara kerja RAG?
- Menyiapkan sumber: dokumen dipilih, dibersihkan, dan diproses agar dapat dicari.
- Menerima pertanyaan: pengguna bertanya dalam bahasa sehari-hari.
- Mencari potongan yang relevan: sistem mengambil bagian dokumen yang dianggap cocok dengan pertanyaan.
- Menyusun konteks: potongan terpilih diberikan kepada model bersama instruksi.
- Menghasilkan jawaban: model menyusun respons, sering kali dengan rujukan kembali ke sumber.
- Memeriksa hasil: pengguna atau sistem menilai apakah jawaban benar-benar didukung oleh dokumen.
Bayangkan staf bertanya, “Berapa lama masa pengembalian barang?” Aplikasi mencari bagian kebijakan yang memuat tenggat tersebut lalu meminta model menjawab berdasarkan kutipan. Jika dokumen tidak menyebut jawabannya, sistem yang dirancang baik seharusnya menyatakan informasi belum tersedia.
RAG, pencarian biasa, dan fine-tuning
| Pendekatan | Fungsi utama | Contoh penggunaan |
|---|---|---|
| Pencarian biasa | Menemukan dokumen atau halaman yang cocok. | Mencari kata kunci di pusat bantuan. |
| RAG | Mengambil konteks lalu membuat respons berbasis informasi tersebut. | Menjawab pertanyaan dari kumpulan prosedur. |
| Fine-tuning | Menyesuaikan perilaku model melalui pelatihan tambahan. | Mengarahkan format atau pola respons pada tugas tertentu. |
RAG bukan hal yang sama dengan melatih ulang model pada semua dokumen. Dalam RAG, informasi eksternal diambil pada saat pertanyaan diproses. Cara implementasi tetap bervariasi, dan beberapa sistem menggabungkan pencarian dengan metode penyesuaian lain.
Kapan RAG dapat dipertimbangkan?
- Aplikasi perlu menjawab dari dokumen tertentu yang dapat diakses secara sah.
- Isi sumber berubah dan ingin diperbarui tanpa melatih ulang model setiap kali.
- Pengguna membutuhkan jalur untuk memeriksa kutipan atau bagian dokumen asal.
- Organisasi mampu menjaga hak akses dan kualitas koleksi dokumen.
Jika kebutuhan hanya mencari satu berkas, pencarian dokumen biasa mungkin memadai. Jika tugas memerlukan jawaban numerik yang presisi, buat metode perhitungan terpisah dan uji hasilnya; kalimat penjelas model tidak menggantikan kalkulasi yang dapat diverifikasi.
Batasan RAG yang perlu diketahui
Sistem dapat mengambil bagian yang salah, gagal menemukan informasi, atau menggabungkan kutipan yang membicarakan situasi berbeda. Dokumen yang kedaluwarsa dapat menghasilkan jawaban yang tidak berlaku lagi. Model juga dapat menarik kesimpulan melebihi teks yang ditemukan.
Karena itu, ukur kualitas pencarian dan kualitas jawaban secara terpisah. Periksa apakah potongan relevan ditemukan, apakah sumber sesuai versi yang berlaku, dan apakah respons setia pada sumber. Minta sistem menampilkan referensi yang dapat dibuka, lalu cocokkan isinya.
Checklist membangun atau memilih aplikasi RAG
- Pastikan Anda boleh menggunakan dokumen dalam sistem.
- Rapikan versi, pemilik, dan tanggal pembaruan sumber.
- Jaga hak akses supaya pengguna hanya mengambil dokumen yang boleh dibaca.
- Uji pertanyaan yang jawabannya ada, tidak ada, dan ambigu.
- Periksa kutipan serta angka terhadap sumber asli.
- Catat kesalahan dan perbarui indeks saat dokumen berubah.
Jika jawaban yang lancar masih menyisipkan klaim yang tidak ada di materi, ikuti panduan memeriksa halusinasi AI. Untuk membedakan generasi konten dari prediksi, baca perbandingan AI generatif dan AI tradisional.
Pertanyaan umum tentang RAG
Apakah RAG membuat jawaban AI pasti akurat?
Tidak. Dokumen atau hasil pencarian bisa salah, tidak lengkap, atau kedaluwarsa, dan model dapat menafsirkannya secara keliru.
Apakah RAG sama dengan internet search?
Tidak persis. RAG adalah pola sistem yang menambahkan informasi hasil pencarian ke konteks model. Sumber pencarian dapat berupa dokumen privat yang disetujui, basis data, atau koleksi lain; tidak harus seluruh internet.
Apakah RAG menghilangkan kebutuhan sumber?
Tidak. Justru sumber perlu dikelola dan ditampilkan supaya pengguna dapat menilai apakah jawaban sesuai bahan.
