RAG ਸਿਸਟਮ: ਐਂਟਰਪ੍ਰਾਈਜ਼ ਏਆਈ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦਾ ਭਵਿੱਖ

ਰੀਟ੍ਰੀਵਲ-ਔਗਮੈਂਟੇਡ ਜਨਰੇਸ਼ਨ (RAG) ਕ੍ਰਾਂਤੀ ਲਿਆ ਰਹੀ ਹੈ ਕਿ ਕਿਵੇਂ ਉੱਦਮ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਨੂੰ ਮਹਿੰਗੇ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਜਾਂ ਮਾਡਲ ਰੀਟ੍ਰੇਨਿੰਗ ਤੋਂ ਬਿਨਾਂ ਮਲਕੀਅਤ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ, ਸਮਝਣ ਅਤੇ ਤਰਕ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾ ਕੇ AI ਨੂੰ ਲਾਗੂ ਕਰਦੇ ਹਨ।

🎯 RAG ਕੀ ਹੈ?

RAG ਦੋ ਸ਼ਕਤੀਸ਼ਾਲੀ AI ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ:

• ਪੁਨਰ-ਪ੍ਰਾਪਤੀ:ਤੁਹਾਡੇ ਡੇਟਾ ਤੋਂ ਸੰਬੰਧਿਤ ਜਾਣਕਾਰੀ ਲੱਭਣ ਲਈ ਅਰਥ ਖੋਜ
• ਜਨਰੇਸ਼ਨ:LLM-ਪਾਵਰਡ ਜਨਰੇਸ਼ਨ XTAG61 ਸੰਦਰਭ Xtrieved ਜਵਾਬ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ LLM-ਪਾਵਰਡ ਜਨਰੇਸ਼ਨ

  ਇਹ ਪਹੁੰਚ AI ਸਿਸਟਮਾਂ ਨੂੰ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਦੀ ਲਚਕਤਾ ਅਤੇ ਤਰਕ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਕਾਇਮ ਰੱਖਦੇ ਹੋਏ ਤੁਹਾਡੇ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਗਿਆਨ ਦੇ ਆਧਾਰ 'ਤੇ ਸਹੀ, ਅੱਪ-ਟੂ-ਡੇਟ ਜਵਾਬ ਪ੍ਰਦਾਨ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ।

  🏗️ RAG ਸਿਸਟਮ ਆਰਕੀਟੈਕਚਰ

  ਆਰਕੀਟੈਕਚਰ ਸੰਖੇਪ— ਇੰਡੈਕਸਿੰਗ ਪਾਈਪਲਾਈਨ —ਦਸਤਾਵੇਜ਼PDF, ਡੌਕਸ, ਵੈੱਬਚੰਕਿੰਗਸਪਲਿਟ & ਓਵਰਲੈਪ ਏਮਬੈਡਿੰਗਜ਼ਟੈਕਸਟ-ਏਮਬੇਡ-3ਵੈਕਟਰ DBਪਾਈਨਕੋਨ / Qdrant— QTAG62X ਪਾਈਲਾਈਨ — ਉਪਭੋਗਤਾ ਪੁੱਛਗਿੱਛਏਮਬੇਡਕਿਊਰੀ ਵੈਕਟਰਸਮਾਨਤਾਖੋਜ ਟੌਪ-KX8TAG3X X8TAG3X X8TAG3X X8TAG3X X8TAG3X ਮੁੜ ਸੰਦਰਭ ਦਸਤਾਵੇਜ਼LLM ਜਨਰੇਸ਼ਨਸੰਦਰਭ + ਪੁੱਛਗਿੱਛ→ ਉੱਤਰਆਧਾਰਿਤ ਜਵਾਬ + ਹਵਾਲੇਫ੍ਰੀ ਸਰੋਤ, ਫ੍ਰੀ ਸਰੋਤ, ਦੋ-ਪੜਾਅ ਆਰਕੀਟੈਕਚਰ: ਔਫਲਾਈਨ ਇੰਡੈਕਸਿੰਗ + ਰੀਅਲ-ਟਾਈਮ ਮੁੜ ਪ੍ਰਾਪਤੀ & ਜਨਰੇਸ਼ਨ

  1. ਦਸਤਾਵੇਜ਼ ਪ੍ਰੋਸੈਸਿੰਗ ਪਾਈਪਲਾਈਨ

  Documents → Chunking → Embedding → Vector Store
  
  // Example: Processing enterprise documents
  const chunks = documentSplitter.split(document, {
    chunkSize: 1000,
    overlap: 200,
    preserveContext: true
  });
  
  const embeddings = await embeddingModel.embed(chunks);
  await vectorDB.insert(embeddings, metadata);

  2. ਪੁੱਛਗਿੱਛ ਪ੍ਰੋਸੈਸਿੰਗ

  User Query → Embed → Vector Search → Retrieve Top-K → LLM + Context → Response
  
  // Example: Query processing
  const queryEmbedding = await embeddingModel.embed(userQuery);
  const relevantDocs = await vectorDB.search(queryEmbedding, {
    topK: 5,
    filters: { department: 'engineering' }
  });
  
  const response = await llm.generate({
    prompt: userQuery,
    context: relevantDocs,
    temperature: 0.7
  });

  3.

  PR XPR ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪ੍ਰਤੀਕਿਰਿਆ ਜਨਰੇਸ਼ਨ ਜਨਰੇਸ਼ਨ ਜਨਰੇਸ਼ਨ ਜਵਾਬ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹੋਏ ਸ਼ੁੱਧਤਾ ਅਤੇ ਪ੍ਰਸੰਗਿਕਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਂਦੇ ਹੋਏ, ਪ੍ਰਸੰਗ ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ।

  💡 ਉਤਪਾਦਨ ਦੇ ਮੁੱਖ ਭਾਗ RAG

  1. ਵੈਕਟਰ ਡਾਟਾਬੇਸ

  ਐਂਟਰਪ੍ਰਾਈਜ਼ RAG ਲਈ ਪ੍ਰਸਿੱਧ ਵਿਕਲਪ:

  • TAG24 ਮੈਨ, XTAG123, XTAG24 Pind ਸਕੇਲੇਬਲ, ਉਤਪਾਦਨ ਲਈ ਵਧੀਆ
  • ਵੇਵੀਏਟ:ਓਪਨ-ਸਰੋਤ, GraphQL API, ਹਾਈਬ੍ਰਿਡ ਖੋਜ
  • Qdrant:ਤੇਜ਼, ਓਪਨ-ਸਰੋਤ, ਉਤਪਾਦਨ ਸਕੇਲ
  Milk ਲਈ ਬਣਾਇਆ ਗਿਆਓਪਨ-ਸਰੋਤ, GPU-ਐਕਸਲਰੇਟਿਡ, ਅਰਬਾਂ ਵੈਕਟਰਾਂ ਨੂੰ ਹੈਂਡਲ ਕਰਦਾ ਹੈ
  • pgvector:PostgreSQL ਐਕਸਟੈਂਸ਼ਨ, ਜਾਣੀ-ਪਛਾਣੀ ਟੂਲਿੰਗ

  2. ਤੁਹਾਡੀਆਂ

  1 ਲੋੜਾਂ ਦੇ ਆਧਾਰ 'ਤੇ 1 ਲੋੜਾਂ 1 ਨੂੰ ਏਮਬੈਡ ਕਰਨਾ
  • OpenAI ਟੈਕਸਟ-ਏਮਬੈਡਿੰਗ-3:ਉੱਚ ਗੁਣਵੱਤਾ, 3072 ਮਾਪ
  • ਕੋਹੇਰ ਏਮਬੇਡ:ਬਹੁ-ਭਾਸ਼ਾਈ, 7 XTAG511

    11 ਖੋਜ ਲਈ ਅਨੁਕੂਲਿਤ (BAAI):ਓਪਨ-ਸਰੋਤ, SOTA ਪ੍ਰਦਰਸ਼ਨ

  • E5:ਮਾਈਕ੍ਰੋਸਾੱਫਟ ਦਾ ਓਪਨ ਮਾਡਲ, ਮਜ਼ਬੂਤ ਮੁੜ ਪ੍ਰਾਪਤੀ

  3. ਚੰਕਿੰਗ ਰਣਨੀਤੀਆਂ

  RAG ਪ੍ਰਦਰਸ਼ਨ ਲਈ ਪ੍ਰਭਾਵੀ ਚੰਕਿੰਗ ਮਹੱਤਵਪੂਰਨ ਹੈ:

  • ਫਿਕਸਡ-ਸਾਈਜ਼ ਚੰਕਿੰਗ:ਸਧਾਰਨ, ਅਨੁਮਾਨ ਲਗਾਉਣ ਯੋਗ (500-1000-1000 XTAG517XTAG77 XTAG57s) ਸਿਮੈਂਟਿਕ ਚੰਕਿੰਗ: ਵਿਸ਼ਿਆਂ/ਸੈਕਸ਼ਨਾਂ 'ਤੇਸਪਲਿਟ
  • ਸਲਾਈਡਿੰਗ ਵਿੰਡੋ:ਸੰਦਰਭ ਸੰਭਾਲ ਲਈ ਓਵਰਲੈਪਿੰਗ ਚੰਕਸ
  • ਲੜੀਵਾਰ ਚੰਕਿੰਗ: ਮਲਟੀ-6ਵੇਲ 185X ਦਸਤਾਵੇਜ਼ਾਂ ਲਈ ਲੰਬੇ ਸਮੇਂ ਲਈ

  🚀 ਉੱਨਤ RAG ਤਕਨੀਕਾਂ

  1. ਹਾਈਬ੍ਰਿਡ ਖੋਜ ਦੇ ਨਾਲ XTAG22 ਰਵਾਇਤੀ ਖੋਜ X822 XTAG2 XTAG2 ਰਵਾਇਤੀ ਖੋਜ ਵਧੀਆ ਨਤੀਜਿਆਂ ਲਈ ਕੀਵਰਡ ਖੋਜ:

  // Hybrid search implementation
  const vectorResults = await vectorDB.search(queryEmbedding, { topK: 10 });
  const keywordResults = await fullTextSearch(query, { topK: 10 });
  
  // Reciprocal Rank Fusion
  const combinedResults = reciprocalRankFusion(
    vectorResults,
    keywordResults,
    { k: 60 }
  );

  2. ਰੀ-ਰੈਂਕਿੰਗ

  ਕ੍ਰਾਸ-ਏਨਕੋਡਰ ਰੀ-ਰੈਂਕਿੰਗ ਦੇ ਨਾਲ ਪ੍ਰਸੰਗਿਕਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰੋ:

  const rerankedResults = await reranker.rerank({
    query: userQuery,
    documents: retrievedDocs,
    topK: 5
  });

  3. ਕਿਊਰੀ ਐਕਸਪੈਂਸ਼ਨ

  ਕੈਲਰੀ

  ਕੈਲਰੀ 290 ਗੁਣਾਤਮਕ ਰੀ-ਰੈਂਕਿੰਗ ਲਈ

  const expandedQueries = await llm.generate({
    prompt: `Generate 3 variations of: ${userQuery}`,
    temperature: 0.8
  });
  
  const allResults = await Promise.all(
    expandedQueries.map(q => vectorDB.search(embed(q)))
  );
  
  const deduplicatedResults = deduplicate(allResults);

  4. ਸੰਦਰਭ ਸੰਕੁਚਨ

  ਮੁੜ ਪ੍ਰਾਪਤ ਕੀਤੇ ਦਸਤਾਵੇਜ਼ਾਂ ਤੋਂ ਅਪ੍ਰਸੰਗਿਕ ਜਾਣਕਾਰੀ ਨੂੰ ਹਟਾਓ:

  const compressedDocs = await contextualCompressor.compress({
    query: userQuery,
    documents: retrievedDocs,
    maxTokens: 2000
  });

  🎯 ਅਸਲ-ਵਿਸ਼ਵ ਵਰਤੋਂ ਦੇ ਕੇਸ

  ਪੋਰਟ ਕਸਟਮ ਬੈਲੇਜ

  ਚੁਣੌਤੀ:ਏਜੰਟਾਂ ਨੂੰ ਉਤਪਾਦ ਦਸਤਾਵੇਜ਼ਾਂ, ਨੀਤੀਆਂ, ਅਤੇ ਪਿਛਲੇ ਹੱਲਾਂ ਤੱਕ ਤੁਰੰਤ ਪਹੁੰਚ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

  ਹੱਲ:RAG ਸਿਸਟਮ ਸਾਰੇ ਸਹਿਯੋਗੀ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਸੂਚਕਾਂਕ ਬਣਾਉਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ AI ਨੂੰ 80% ਸਵਾਲਾਂ ਦਾ ਤੁਰੰਤ ਜਵਾਬ ਮਿਲਦਾ ਹੈ।

  ਨਤੀਜੇ:

  • ਔਸਤ ਹੈਂਡਲਿੰਗ ਸਮਾਂ 65%
  • ਗਾਹਕ ਸੰਤੁਸ਼ਟੀ ਨੂੰ ਵਧਾ ਕੇ 4.8/5
  ਉਤਪਾਦਕਤਾ ਵਧਾਇਆ ਗਿਆ

  2. ਕਾਨੂੰਨੀ ਦਸਤਾਵੇਜ਼ ਵਿਸ਼ਲੇਸ਼ਣ

  ਚੁਣੌਤੀ:ਵਕੀਲ ਕੇਸ ਕਾਨੂੰਨ ਅਤੇ ਇਕਰਾਰਨਾਮੇ ਦੀ ਖੋਜ ਕਰਨ ਵਿੱਚ ਘੰਟੇ ਬਿਤਾਉਂਦੇ ਹਨ।

  ​​ਹੱਲ:RAG ਹਵਾਲੇ ਟਰੈਕਿੰਗ ਦੇ ਨਾਲ ਲੱਖਾਂ ਕਾਨੂੰਨੀ ਦਸਤਾਵੇਜ਼।

  ਨਤੀਜੇ:

  • ਖੋਜ ਸਮਾਂ ਘੰਟਿਆਂ ਤੋਂ ਮਿੰਟਾਂ ਤੱਕ ਕੱਟਿਆ ਗਿਆ ਹੈ
  • ਸਵੈਚਲਿਤ ਇਕਰਾਰਨਾਮੇ ਦੀ ਸਮੀਖਿਆ ਪ੍ਰਤੀ ਵਕੀਲ 40 ਘੰਟੇ/ਹਫ਼ਤੇ ਦੀ ਬਚਤ ਕਰਦੀ ਹੈ
  XTAG343ccuracy43X Improcations ਨਾਲ

  3. DevOps ਦਸਤਾਵੇਜ਼ੀ

  ਚੁਣੌਤੀ:ਇੰਜੀਨੀਅਰਾਂ ਨੂੰ ਬੁਨਿਆਦੀ ਢਾਂਚੇ, ਰਨਬੁੱਕਾਂ, ਅਤੇ ਵਧੀਆ ਅਭਿਆਸਾਂ ਬਾਰੇ ਤੁਰੰਤ ਜਵਾਬਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

  ਹੱਲ:RAG ਸਿਸਟਮ ਸਾਰੇ DevOps ਦਸਤਾਵੇਜ਼ਾਂ, ਸੰਗਮ ਪੰਨਿਆਂ, ਅਤੇ ਘਟਨਾ ਰਿਪੋਰਟਾਂ 'ਤੇ।

  ਨਤੀਜੇ:

  • ਜਵਾਬ ਲੱਭਣ ਲਈ ਸਮੇਂ ਵਿੱਚ 75% ਕਮੀ
  • ਔਨਬੋਰਡਿੰਗ ਸਮਾਂ 60%
  • ਤੇਜ਼ੀ ਨਾਲ ਰੈਜ਼ੋਲਿਊਸ਼ਨ XTAG365% XTAG360% ਦੁਆਰਾ ਘਟਾਇਆ ਗਿਆ

    🔒 ਐਂਟਰਪ੍ਰਾਈਜ਼ RAG ਵਧੀਆ ਅਭਿਆਸ

    1. ਡੇਟਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੁਰੱਖਿਆ

    • ਭੂਮਿਕਾ-ਅਧਾਰਿਤ ਪਹੁੰਚ ਨਿਯੰਤਰਣ (RBAC)
    • ਨੂੰਨਿਜੀ ਤੌਰ 'ਤੇ ਟ੍ਰਾਂਸਿਟ ਅਤੇ ਵਿੱਚ ਨਿੱਜੀ ਟ੍ਰਾਂਸਿਟ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਲਈ
    • ਸਾਰੀਆਂ ਪੁੱਛਗਿੱਛਾਂ ਲਈ ਆਡਿਟ ਲੌਗਿੰਗ ਨੂੰ ਲਾਗੂ ਕਰੋ

    2. ਗੁਣਵੱਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ

    • ਲਈ ਹਾਈਬ੍ਰਿਡ ਖੋਜ (ਵੈਕਟਰ + ਕੀਵਰਡ) ਦੀ ਵਰਤੋਂ ਕਰੋ
    ਰੀਮਪਲੇ-ਰੇਂਕ 387X ਐਕਸਟੈਗ ਰੈਂਕ ਲਈ
    • ਹਵਾਲਾ/ਸਰੋਤ ਟਰੈਕਿੰਗ ਸ਼ਾਮਲ ਕਰੋ
    • ਉੱਤਰ ਗੁਣਵੱਤਾ ਦੀ ਨਿਗਰਾਨੀ ਅਤੇ ਮੁਲਾਂਕਣ ਕਰੋ
    • ਨਾਜ਼ੁਕ ਫੈਸਲਿਆਂ ਲਈ ਮਨੁੱਖੀ-ਇਨ-ਦ-ਲੂਪ

    3. ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ XXTAG9 Cache394XXTAG9 Cache ਵਾਰ-ਵਾਰ ਪੁੱਛਗਿੱਛਾਂ

  • ਲਗਭਗ ਨਜ਼ਦੀਕੀ ਗੁਆਂਢੀ (ANN) ਖੋਜ ਦੀ ਵਰਤੋਂ ਕਰੋ
  • ਪੁੱਛਗਿੱਛ ਬੈਚਿੰਗ ਨੂੰ ਲਾਗੂ ਕਰੋ
  • ਲੇਟੈਂਸੀ ਦੀ ਨਿਗਰਾਨੀ ਕਰੋ ਅਤੇ ਹੌਲੀ ਮਾਰਗਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਓ
  • ਸਕੇਲ X8XTAGB ਤੌਰ 'ਤੇ D08XTAGB ਸਕੇਲ ਵੈਕਟਰ

    4. ਮੁਲਾਂਕਣ ਮੈਟ੍ਰਿਕਸ

    ਇਹਨਾਂ KPIs ਨੂੰ ਟ੍ਰੈਕ ਕਰੋ:

    • ਮੁੜ ਪ੍ਰਾਪਤੀ ਸ਼ੁੱਧਤਾ/ਰੀਕਾਲ:ਕੀ ਅਸੀਂ ਸਹੀ ਦਸਤਾਵੇਜ਼ ਲੱਭ ਰਹੇ ਹਾਂ?
    • ਜਵਾਬ ਦੀ ਸ਼ੁੱਧਤਾ:ਕੀ ਜਵਾਬ ਸਹੀ ਹਨ?
    • ਲੇਟੈਂਸੀ:ਪੁੱਛਗਿੱਛ ਤੋਂ ਜਵਾਬ ਤੱਕ ਦਾ ਸਮਾਂ (ਨਿਸ਼ਾਨਾ:<2s)
    • ਉਪਭੋਗਤਾ ਸੰਤੁਸ਼ਟੀ:ਥੰਬਸ ਅੱਪ/ਡਾਊਨ ਫੀਡਬੈਕ
    • ਪ੍ਰਤੀਐੱਮ.ਬੀ. LLM + ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਲਾਗਤਾਂ

    📊 ਪ੍ਰਦਰਸ਼ਨ ਮਾਪਦੰਡ

    ਉਤਪਾਦਨ RAG ਸਿਸਟਮਾਂ ਦੇ ਪੈਮਾਨੇ 'ਤੇ:

    • ਮੁੜ ਪ੍ਰਾਪਤੀ ਲੇਟੈਂਸੀ ਲਈ
    • ਖੋਜ ਲਈ ਲੇਟੈਂਸੀ: X520ms
    • ਐਂਡ-ਟੂ-ਐਂਡ ਲੇਟੈਂਸੀ:1-3 ਸਕਿੰਟ ਸਮੇਤ LLM ਪੀੜ੍ਹੀ
    • ਸਟੀਕਤਾ: ਮਨੁੱਖੀ ਮਾਹਰਾਂ ਦੇ ਮੁਕਾਬਲੇ85-95%
    XTAG455 ਹੈਨਲ: ਹੈਨਲ ਐਕਸTAG4X5450X ਲੱਖਾਂ ਦਸਤਾਵੇਜ਼, ਹਜ਼ਾਰਾਂ ਸਮਕਾਲੀ ਵਰਤੋਂਕਾਰ
    • ਲਾਗਤ:$0.001-0.01 ਪ੍ਰਤੀ ਪੁੱਛਗਿੱਛ (ਫਾਈਨ-ਟਿਊਨਿੰਗ ਨਾਲੋਂ 10-100 ਗੁਣਾ ਸਸਤਾ)

    🛄 XTAG6ample XTAG46ample XTAG6ample XTAG3xample Pinecone ਅਤੇ OpenAI ਦੇ ਨਾਲ RAG ਸਿਸਟਮ:

    import { OpenAI } from 'openai';
    import { Pinecone } from '@pinecone-database/pinecone';
    
    class EnterpriseRAG {
      constructor() {
        this.openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY });
        this.pinecone = new Pinecone({ apiKey: process.env.PINECONE_API_KEY });
        this.index = this.pinecone.index('enterprise-kb');
      }
    
      async ingest(documents) {
        // 1. Chunk documents
        const chunks = documents.flatMap(doc => 
          this.chunkDocument(doc, { size: 1000, overlap: 200 })
        );
    
        // 2. Generate embeddings
        const embeddings = await this.openai.embeddings.create({
          model: 'text-embedding-3-large',
          input: chunks.map(c => c.text)
        });
    
        // 3. Store in vector DB
        await this.index.upsert(
          chunks.map((chunk, i) => ({
            id: chunk.id,
            values: embeddings.data[i].embedding,
            metadata: {
              text: chunk.text,
              source: chunk.source,
              timestamp: Date.now()
            }
          }))
        );
      }
    
      async query(question, options = {}) {
        // 1. Embed query
        const queryEmbedding = await this.openai.embeddings.create({
          model: 'text-embedding-3-large',
          input: question
        });
    
        // 2. Search vector DB
        const searchResults = await this.index.query({
          vector: queryEmbedding.data[0].embedding,
          topK: options.topK || 5,
          includeMetadata: true
        });
    
        // 3. Build context
        const context = searchResults.matches
          .map(match => match.metadata.text)
          .join('
    
    ');
    
        // 4. Generate response
        const completion = await this.openai.chat.completions.create({
          model: 'gpt-4-turbo-preview',
          messages: [
            {
              role: 'system',
              content: 'Answer based on the provided context. Cite sources.'
            },
            {
              role: 'user',
              content: `Context:
    ${context}
    
    Question: ${question}`
            }
          ],
          temperature: 0.7
        });
    
        return {
          answer: completion.choices[0].message.content,
          sources: searchResults.matches.map(m => m.metadata.source),
          confidence: searchResults.matches[0].score
        };
      }
    }
    
    // Usage
    const rag = new EnterpriseRAG();
    
    // Ingest documents
    await rag.ingest(myDocuments);
    
    // Query
    const result = await rag.query(
      'What is our incident response procedure?'
    );
    
    console.log(result.answer);
    console.log('Sources:', result.sources);

    🔮 RAG

    ਦਾ ਭਵਿੱਖ RAG ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਉੱਭਰ ਰਹੇ ਰੁਝਾਨ:

    • , ਮਲਟੀ-ਪੀਆਰ 473X ਚਿੱਤਰ, XXTAG472 ਟੈਕਸਟ, XXTAG473, Comment ਵਿਡੀਓ
    • ਏਜੰਟਿਕ RAG:AI ਏਜੰਟ ਜੋ ਕਈ ਸਰੋਤਾਂ ਅਤੇ ਕਾਰਨਾਂ ਬਾਰੇ ਪੁੱਛਗਿੱਛ ਕਰ ਸਕਦੇ ਹਨ
    • ਗ੍ਰਾਫ RAG:ਬਿਹਤਰ ਮੁੜ ਪ੍ਰਾਪਤੀ ਲਈ ਗਿਆਨ ਗ੍ਰਾਫ ਦਾ ਲਾਭ ਉਠਾਉਣਾ
    8Ad XPRTAG48X8XPRTAG48X8ਸਿਸਟਮ ਜੋ ਉਪਭੋਗਤਾ ਦੇ ਫੀਡਬੈਕ ਤੋਂ ਸਿੱਖਦੇ ਹਨ
    • ਰੀਅਲ-ਟਾਈਮ RAG:ਇੰਟਰਐਕਟਿਵ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਸਬ-ਸੈਕਿੰਡ ਲੇਟੈਂਸੀ

    📚 ਸਰੋਤ

    XTAG49675 XTAG4965X ਸਾਡੇ XTAGPR ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਦੇਖੋ ਟਿਊਟੋਰਿਯਲ
  • RAG ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਪੂਰਾ ਪੜ੍ਹੋ
  • RAG ਸਿਸਟਮ

  ਨੂੰ ਐਕਸਪ੍ਰੀ 509X TAG509X TAG509X TAG509X TAG509X ਡਾਟਾ ਨੂੰ ਰੀਡ-ਡੈੱਟ ਵਿੱਚ ਦਾਖਲ ਕਰਨ ਲਈ ਆਪਣੇ RAG ਸਿਸਟਮ ਨੂੰ ਬਣਾਉਣ ਵਿੱਚ ਮਾਹਰ ਦੀ ਮਦਦ ਪ੍ਰਾਪਤ ਕਰੋRAG ਸਿਸਟਮ ਸਹੀ, ਮਾਪਯੋਗ, ਅਤੇ ਲਾਗਤ-ਪ੍ਰਭਾਵਸ਼ਾਲੀ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਬੁਨਿਆਦ ਹਨ