오늘날 대규모 언어 모델은 매우 강력해졌습니다. 그들은 우리의 가장 어려운 질문에 대한 답을 제공하는 데 도움이 될 수 있습니다. 그러나 그들은 또한 우리를 잘못된 길로 이끌 수도 있습니다. 환각을 일으키는 경향이 있습니다. 즉, 옳아 보이지만 그렇지 않은 대답을 한다는 의미입니다.  교육 데이터 세트에 포함되지 않은 쿼리를 접하거나 교육 데이터 세트에 잘못된 정보가 포함되어 있을 때 환각을 느낍니다(이는 LLM이 우리 모두 알고 있듯이 항상 신뢰할 수는 없는 인터넷 데이터에 대해 교육을 받을 때 발생할 수 있습니다). ). LLM에는 메모리도 없습니다. 마지막으로 "미세 조정"은 종종 새로운 데이터에 대해 모델을 재교육하여 환각을 줄이는 방법으로 간주되지만 단점도 있습니다.   LLM  여기에서는 LLM의 환각을 중지하는 세 가지 방법인 검색 증강 생성(RAG), 추론 및 반복 쿼리를 살펴보겠습니다.  검색 증강 생성  와 함께  , 지식 베이스에 쿼리가 들어옵니다(이 경우에는  ) 의미론적 벡터 – 숫자의 문자열. 그런 다음 모델은 다음을 사용하여 데이터베이스에서 유사한 문서를 검색합니다.  , 벡터가 쿼리 벡터에 가까운 문서를 찾습니다.   조각   벡터 데이터베이스   벡터 검색  관련 문서가 검색되면 LLM은 이러한 문서와 함께 쿼리를 사용하여 사용자에 대한 응답을 요약합니다. 이렇게 하면 모델이 내부 지식에만 의존할 필요 없이 적시에 제공하는 모든 데이터에 액세스할 수 있습니다. 어떤 의미에서 LLM은 자체적으로는 보유할 수 없는 "장기 기억"을 제공합니다. 모델은 벡터 데이터베이스에 저장된 독점 데이터를 포함하여 보다 정확하고 상황에 맞는 응답을 제공할 수 있습니다.   대체 RAG 접근 방식에는 사실 확인이 포함됩니다. LLM은 답변을 묻는 메시지를 받은 후 벡터 데이터베이스의 데이터에 대해 사실 확인 및 검토를 거칩니다. 쿼리에 대한 답변은 벡터 데이터베이스에서 생성되며, LLM은 해당 답변을 프롬프트로 사용하여 사실과 관련이 있는지 식별합니다.   추리  LLM은 많은 일에 매우 능숙합니다. 입력 데이터의 다양한 부분에 다양한 수준의 주의를 기울여 기계가 인간 언어를 이해하는 방식을 변화시키는 "변환기"의 발전 덕분에 문장의 다음 단어를 예측할 수 있습니다. LLM은 또한 많은 정보를 매우 간결한 답변으로 요약하고, 많은 양의 텍스트에서 원하는 것을 찾고 추출하는 데 능숙합니다. 놀랍게도 LLMS는 계획도 세울 수 있습니다. 문자 그대로 데이터를 수집하고 여행을 계획할 수 있습니다.  그리고 더욱 놀랍게도 LLM은 인간과 거의 유사한 방식으로 추론을 사용하여 답을 도출할 수 있습니다. 사람들은 추론할 수 있기 때문에 예측이나 결정을 내리는 데 엄청난 양의 데이터가 필요하지 않습니다. 추론은 또한 LLM이 환각을 피하는 데 도움이 됩니다. 이에 대한 예는 “  .”   일련의 생각을 불러일으키는  이 방법은 모델이 다단계 문제를 중간 단계로 나누는 데 도움이 됩니다. 일련의 사고방식 프롬프트를 통해 LLM은 표준 프롬프트 방법으로는 해결할 수 없는 복잡한 추론 문제를 해결할 수 있습니다(자세한 내용은 블로그 게시물을 확인하세요).  Google에서).   언어 모델은 사고의 사슬을 통해 추론을 수행합니다.  LLM에 복잡한 수학 문제를 주면 틀릴 수도 있습니다. 그러나 LLM에 문제와 해결 방법을 제공하면 정확한 답변을 얻을 수 있고 답변 뒤에 숨은 이유를 공유할 수 있습니다. 벡터 데이터베이스는 이와 유사한 질문의 예를 제공하고 예제로 프롬프트를 채우므로 이 방법의 핵심 부분입니다.  더 좋은 점은 질문과 답변이 있으면 이를 벡터 데이터베이스에 다시 저장하여 생성 AI 애플리케이션의 정확성과 유용성을 더욱 향상시킬 수 있다는 것입니다.   다음을 포함하여 배울 수 있는 다양한 추론 발전이 있습니다.  ,  ,  , 그리고  .   생각의 나무   적어도 대부분   자기 일관성   명령 튜닝  반복 쿼리  LLM 환각을 줄이는 데 도움이 되는 세 번째 방법은 대화형 쿼리입니다. 이 경우 AI 에이전트는 LLM과 벡터 데이터베이스 사이를 오가는 호출을 중재합니다. 이는 최상의 답변에 도달하기 위해 여러 번 반복적으로 발생할 수 있습니다. FLARE라고도 알려진 미래 지향적인 능동 검색 세대의 예입니다.  질문을 받고 지식 기반에 더 많은 유사한 질문을 쿼리합니다. 일련의 비슷한 질문을 받게 될 것입니다. 그런 다음 모든 질문이 포함된 벡터 데이터베이스를 쿼리하고, 답변을 요약하고, 답변이 적절하고 타당해 보이는지 확인합니다. 그렇지 않은 경우에는 될 때까지 단계를 반복하십시오.   기타 고급 대화형 쿼리 방법에는 다음이 포함됩니다.  ,  , 그리고  .   자동GPT   마이크로소프트 자비스   솔로 퍼포먼스 프롬프트  상담원 조정에 도움이 될 수 있는 도구가 많이 있습니다.  LLM과 벡터 데이터베이스 간의 호출을 조정하는 데 도움이 되는 훌륭한 예입니다. 이는 기본적으로 대부분의 관리 작업 및 LLM과의 상호 작용을 자동화하고 메모리, 벡터 기반 유사성 검색, 고급 프롬프트 템플릿 추상화 및 기타 다양한 기능을 지원합니다. 또한 사고 사슬 및 FLARE와 같은 고급 프롬프트 기술을 지원하고 지원합니다.   랭체인  또 다른 그러한 도구는  이는 DataStax가 Astra DB 벡터 데이터베이스의 추상화로 개발한 것으로, 데이터와 메모리를 최우선으로 생각합니다.  . CassIO는 다음을 포함하여 데이터베이스 액세스 프로세스를 추상화하여 생성 인공 지능 및 기타 기계 학습 워크로드와 Cassandra를 원활하게 통합하는 Python 라이브러리입니다.  추가 코드의 필요성을 최소화하는 즉시 사용 가능한 도구 세트를 제공합니다.   카시오   생성 AI   벡터 검색  종합해 보면: SkyPoint AI  노인 간호 및 생활 산업을 위한 데이터, 분석, AI 서비스를 전문으로 하는 SaaS 제공업체입니다. 이 회사는 생성 AI를 활용하여 노인, 간병인 및 소프트웨어 시스템 간의 자연스럽고 직관적인 상호 작용을 지원합니다. 복잡한 애플리케이션을 단순화하고 사용자 경험을 간소화함으로써,  정보와 통찰력에 쉽게 접근할 수 있어 치료를 향상하는 데 도움이 됩니다.   스카이포인트 AI   SkyPoint AI는 노인과 간병인에게 힘을 실어줍니다.  이 회사는 "현재 메디케어에 등록된 거주자는 몇 명입니까?"와 같은 질문에 AI가 생성한 답변을 제공하기 위해 정형 및 비정형의 다양한 데이터를 활용합니다. SkyPoint CEO인 Tisson Mathew는 최근 저에게 이렇게 말했습니다. 이는 의료 서비스 제공자가 정확한 데이터를 기반으로 정보에 근거한 결정을 신속하게 내리는 데 도움이 된다고 그는 말했습니다.  그러나 그 지점에 도달하는 것은 하나의 과정이었다고 Mathew는 말했습니다. 그의 팀은 표준 LLM을 수강하고 이를 SkyPoint 데이터로 미세 조정하는 것으로 시작했습니다. "그것은 비참한 결과를 가져왔습니다. 심지어 무작위적인 단어조차도요."라고 그는 말했습니다. 프롬프트를 이해하고 생성하는 것은 SkyPoint가 처리할 수 있는 작업이었지만 대규모로 정확한 답변을 생성하려면 AI 기술 스택이 필요했습니다.  SkyPoint는 예를 들어 전자 의료 기록 및 급여 데이터를 포함하여 운영업체 및 제공업체로부터 구조화된 데이터를 수집하는 시스템을 구축했습니다. 이는 컬럼형 데이터베이스에 저장됩니다. RAG는 이를 쿼리하는 데 사용됩니다. 정책, 절차, 주 규정 등 비정형 데이터는 벡터 데이터베이스에 저장됩니다.  .   데이터스택스 아스트라 DB  Tisson은 예를 들어 다음과 같은 질문을 던졌습니다. 주민이 폭력을 행사하면 어떻게 되나요? Astra DB는 국가 규정과 사용자의 상황, 다양한 문서와 정보를 토대로 답변을 구성합니다.    노인요양시설 종사자가 이해하기 쉬운 자연스러운 언어로,   벡터 임베딩 ,  "이것은 옳아야 하는 구체적인 답변입니다."라고 Tisson은 말했습니다. "이것은 조직이 지역 사회와 비즈니스를 위해 정보에 입각한 결정을 내리기 위해 의존하는 정보입니다."  결론  SkyPoint AI는 AI 환각의 위험을 완화하는 것의 중요성을 보여줍니다. 정확한 답변을 보장하는 데 사용할 수 있는 방법과 도구가 없으면 결과는 잠재적으로 끔찍할 수 있습니다.  RAG, 추론, FLARE와 같은 반복 쿼리 접근 방식을 통해 특히 독점 데이터를 기반으로 하는 생성 AI는 기업이 고객에게 효율적이고 효과적으로 서비스를 제공할 수 있도록 지원하는 점점 더 강력한 도구가 되고 있습니다.  작성자: Alan Ho, DataStax     DataStax가 어떻게 도움이 되는지 자세히 알아보세요.   실시간 생성 AI 애플리케이션 구축 .    게시되었습니다. 여기에도

DataStax Astra DB is the vector database for getting GenAI apps into production, fast. Try it for free today!

DataStax

이 오디오는 이야기의 원래 언어로 제작되었습니다!

AI 환각을 멈출 수 있을까? 이를 수행하는 3가지 방법 살펴보기

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

탭하여 수익 창출: 텔레그램에서 솔라나 이전에 100억 명의 암호화폐 사용자를 확보할 수 있음

Floki의 Valhalla가 인도 스리랑카 투어의 보조 후원자로 합류

포럼에서 피드까지: 소셜 미디어 알고리즘이 디지털 상호작용을 형성하는 방식

보이지 않는 레이어: 사용자 인터뷰가 대체할 수 없는 자산인 이유

탭하여 수익 창출: 텔레그램에서 솔라나 이전에 100억 명의 암호화폐 사용자를 확보할 수 있음

Floki의 Valhalla가 인도 스리랑카 투어의 보조 후원자로 합류

포럼에서 피드까지: 소셜 미디어 알고리즘이 디지털 상호작용을 형성하는 방식

보이지 않는 레이어: 사용자 인터뷰가 대체할 수 없는 자산인 이유

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps