RAG

Model językowy sam z siebie nie zna Twojego cennika, regulaminu ani procedur. RAG (retrieval-augmented generation) rozwiązuje to prosto. Zanim model odpowie, system wyszukuje w przygotowanych materiałach fragmenty pasujące do pytania i przekazuje je modelowi. Odpowiedź powstaje na podstawie tych fragmentów, a nie z ogólnej wiedzy modelu.

W praktyce to różnica między chatbotem, który wymyśla godziny otwarcia, a takim, który podaje je z Twojej strony. Ten sam mechanizm pozwala pracownikom pytać o procedury lub warunki umów bez przeszukiwania folderów.

Jak to działa krok po kroku

Dokumenty dzieli się na krótkie fragmenty i zapisuje w bazie, która wyszukuje po znaczeniu, a nie tylko po słowach. Pytanie najpierw trafia do tej bazy. Kilka najlepiej pasujących fragmentów razem z pytaniem trafia do modelu, który układa z nich odpowiedź. Dobrze ustawiony system podaje też źródło, więc łatwo sprawdzić, skąd wzięła się informacja.

Podobnie działają asystenci AI z wyszukiwaniem, np. ChatGPT czy AI Overviews w Google: najpierw szukają stron, potem układają z nich odpowiedź. Dlatego jasna treść na stronie zwiększa szansę, że trafi do takiej odpowiedzi (AI SEO).

Od czego zależy jakość odpowiedzi

Przede wszystkim od materiałów. Nieaktualny cennik da nieaktualną odpowiedź, a sprzeczne dokumenty dadzą sprzeczne odpowiedzi. Wdrożenie zaczyna się więc od uporządkowania źródeł i ustalenia, przy jakich pytaniach system ma odsyłać do człowieka. Dla małej firmy z kilkudziesięcioma dokumentami wystarczą gotowe usługi chmurowe, bez budowania własnej infrastruktury.