SRAG: RAG with Structured Data Improves Vector Retrieval
यह शोध पत्र स्ट्रक्चर्ड RAG (SRAG) का प्रस्ताव करता है, जो एक ऐसी विधि है जो क्वेरीज़ और चंक्स में विषयों, भावनाओं और नॉलेज ग्राफ ट्रिपल्स जैसे संरचित मेटाडेटा को शामिल करके रिट्रीवल-ऑगमेंटेड जनरेशन को बेहतर बनाती है, जिसके परिणामस्वरूप उत्तर की गुणवत्ता में सांख्यिकीय रूप से महत्वपूर्ण 30% सुधार होता है, विशेष रूप से जटिल विश्लेषणात्मक और भविष्य कहने वाले प्रश्नों के लिए।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आपके पास एक शानदार, अत्यंत बुद्धिमान सहायक (AI) है जो बहुत कुछ जानता है, लेकिन कभी-कभी वह अटक जाता है क्योंकि उसे अपने विशाल किताबों के पुस्तकालय (डेटाबेस) में किसी विशिष्ट प्रश्न का उत्तर खोजने के लिए सही जानकारी नहीं मिल पाती।
यह शोध पत्र इस तरीके को पेश करता है जिससे आप उस सहायक को सही किताब तेज़ी से और अधिक सटीकता से खोजने में मदद कर सकते हैं। वे इसे SRAG (स्ट्रक्चर्ड RAG) कहते हैं।
यहाँ रोजमर्रा के उदाहरणों का उपयोग करके इसका सरल विवरण दिया गया है:
1. समस्या: "कीवर्ड" वाला पुस्तकालय
पुराने तरीके में (जिसे Plain RAG कहा जाता है), सहायक आपके प्रश्न से मिलते-जुलते शब्दों को ढूँढकर उत्तर खोजने की कोशिश करता है।
- उदाहरण: कल्पना कीजिए कि आप एक विशाल पुस्तकालय में जाते हैं और लाइब्रेरियन से कहते हैं, "मुझे सेब (Apple) के बारे में एक किताब चाहिए।"
- दोष: लाइब्रेरियन केवल "Apple" शब्द को खोजता है। वह आपको Apple Inc. (टेक कंपनी) के बारे में एक किताब थमा सकता है जब वास्तव में आप एप्पल पाई की रेसिपी चाहते थे। या, यदि आप एक जटिल प्रश्न पूछते हैं जैसे, "Apple की रणनीति Google से कैसे तुलना करती है?", तो लाइब्रेरियन शायद ऐसी किताब उठा लेगा जिसमें "Apple" और "Google" का उल्लेख हो, लेकिन वह वास्तव में तुलना को नहीं समझाएगा। वह केवल सतही स्तर के शब्द मिलान (word matching) तक ही सीमित रह जाता है।
2. समाधान: "कलर-कोडेड" पुस्तकालय (SRAG)
लेखक SRAG का प्रस्ताव देते हैं, जो ऐसा है जैसे आपने पुस्तकालय की हर किताब को शेल्फ पर रखने से पहले ही उसे रंग-कोडित टैग (color-coded tags) और स्टिकी नोट्स दे दिए हों।
- उदाहरण: लाइब्रेरियन द्वारा आपको किताब देने से पहले, वह उसके टैग चेक करता है।
- क्या यह किताब वित्त (finance) के बारे में है? (विषय टैग - Topic Tag)
- क्या इसका लहजा आशावादी (optimistic) है या सतर्क (cautious)? (भावना टैग - Sentiment Tag)
- क्या यह दो चीजों के बीच एक तुलना (comparison) है? (प्रश्न प्रकार टैग - Query Type Tag)
- क्या इसमें किसी विशिष्ट संबंध के बारे में कोई तथ्य (fact) है? (नॉलेज ग्राफ टैग - Knowledge Graph Tag)
जब आप एक प्रश्न पूछते हैं, तो सहायक केवल "Apple" शब्द नहीं देखता। वह "टेक स्ट्रैटेजी," "तुलना," और "वित्तीय डेटा" के साथ टैग की गई किताबें खोजता है।
3. यह कैसे काम करता है (बिना कुछ बिगाड़े)
खास बात यह है कि उन्हें पूरा पुस्तकालय फिर से बनाने या नई इमारत खरीदने की ज़रूरत नहीं पड़ी।
- पुराना तरीका: बेहतर परिणाम पाने के लिए, आपको आमतौर पर एक जटिल नया सिस्टम (जैसे ग्राफ डेटाबेस) बनाना पड़ता है।
- SRAG का तरीका: उन्होंने बस मौजूदा किताबों को लिया, उनके कवर पर ये स्मार्ट टैग जोड़े और उन्हें फिर से व्यवस्थित किया। जब आप कोई प्रश्न पूछते हैं, तो वे आपके प्रश्न को भी उन्हीं लेबल के साथ टैग करते हैं। सिस्टम फिर केवल शब्दों के बजाय टैग्स का मिलान करता है।
4. परिणाम: स्मार्ट उत्तर
शोधकर्ताओं ने उत्तरों को ग्रेड करने के लिए एक "जज" (एक अन्य AI) का उपयोग करके परीक्षण किया।
- स्कोर: नए तरीके ने उत्तरों की गुणवत्ता में 30% का सुधार किया।
- जहाँ यह सफल रहा: यह कठिन प्रश्नों के लिए एक गेम-चेंजर साबित हुआ जैसे:
- तुलना: "Apple की तुलना Microsoft से कैसे की जाती है?"
- विश्लेषण: "राजस्व (revenue) क्यों गिरा?"
- भविष्यवाणी: "अगले साल क्या होगा?"
- क्यों? क्योंकि इन प्रश्नों के लिए AI को केवल एक समान दिखने वाले वाक्य को खोजने की नहीं, बल्कि बिंदुओं को जोड़ने और तर्क करने की आवश्यकता होती है। टैग्स ने AI को सही संदर्भ (context) खोजने में मदद की ताकि वह तर्क कर सके।
5. "भूसे के ढेर में सुई" (Needle in a Haystack) परीक्षण
शोधकर्ताओं ने यह भी जाँच की कि क्या इस पद्धति ने AI को सरल तथ्यों (जैसे "Apple का स्टॉक प्राइस क्या है?") को खोजने में खराब बना दिया।
- परिणाम: नहीं! यह सरल तथ्यों को खोजने में उतना ही अच्छा था, लेकिन जटिल तर्क (reasoning) करने में कहीं अधिक बेहतर था।
- उदाहरण: यह एक ऐसे लाइब्रेरियन की तरह है जो एक किताब में एक विशिष्ट पृष्ठ खोजने में तो माहिर है (सरल तथ्य), लेकिन साथ ही तीन अलग-अलग किताबें खोजने में भी सक्षम है जिन्हें एक साथ पढ़ने पर एक जटिल आर्थिक रुझान समझ में आ सके (जटिल तर्क)।
सारांश
SRAG आपके AI सहायक के पुस्तकालय को कागजों के ढेर से एक पूरी तरह से व्यवस्थित, रंग-कोडित फाइलिंग सिस्टम में अपग्रेड करने जैसा है।
- पुराना सिस्टम: "मुझे 'Apple' शब्द वाली एक किताब ढूंढो।"
- नया सिस्टम (SRAG): "मुझे 'टेक,' 'स्ट्रैटेजी,' और 'तुलना' टैग वाली एक किताब ढूंढो जो Apple के बारे में चर्चा करती हो।"
यह सरल बदलाव AI को यह समझने की अनुमति देता है कि आप वास्तव में क्या पूछ रहे हैं और ऐसी जानकारी प्राप्त करने में मदद करता है जिससे वह केवल याद करने के बजाय सोचने में सक्षम हो सके।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।