בעולם שבו דגמי שפה גדולים זקוקים לידע עדכני כדי לספק תשובות מדויקות, חוקרים מציגים את RAG דו-כיווני – גישה חדשנית שמאפשרת למאגרי הידע להתרחב באופן בטוח מתוך אינטראקציות עם משתמשים. בניגוד למערכות RAG מסורתיות, שמסתמכות על מאגרים סטטיים קבועים, הגישה החדשה כוללת מנגנון כתיבה חוזרת מבוקר של תגובות איכותיות. כך, המערכת לומדת ומשתפרת בעצמה במהלך השימוש, מבלי לסכן את איכות הידע הקיים. המחקר, שפורסם ב-arXiv, מדגים פוטנציאל עצום לשיפור יעילות AI בעסקים ישראליים שמסתמכים על כלים כאלה.
RAG דו-כיווני פועל בשלבים מרובים של אימות לפני הוספת תוכן חדש למאגר. השכבה הראשונה בודקת עיגון (grounding) באמצעות הסקת שפה טבעית (NLI) כדי לוודא שהתגובה מבוססת על מקורות קיימים. לאחר מכן, בדיקת ייחוס מאמתת את המקורות, ומנגנון זיהוי חידוש מונע כפילויות או הזיות מזיקות. הגישה מונעת 'זיהום הזיות' ומבטיחה צבירת ידע איכותי בלבד. לפי החוקרים, שילוב זה מאפשר הרחבה בטוחה ומבוקרת של המאגר.
בבדיקות מקיפות על ארבעה מאגרי נתונים מוכרים – Natural Questions, TriviaQA, HotpotQA ו-Stack Overflow – RAG דו-כיווני השיג כיסוי ממוצע של 40.58%, כמעט כפול מה-20.33% של RAG סטנדרטי. המערכת הוסיפה רק 140 מסמכים בממוצע, לעומת 500 במתודה פשוטה ללא אימות – חיסכון של 72%. הניסויים כללו 12 הרצות לכל מערכת, עם שלושה זרעים אקראיים, מה שמאשר את יציבות התוצאות.
המשמעות העסקית של RAG דו-כיווני גדולה במיוחד עבור חברות טכנולוגיה בישראל, שם מערכות AI משמשות לשירות לקוחות, ניתוח נתונים ופיתוח תוכנה. בעוד RAG מסורתי דורש עדכון ידני של מאגרים, הגישה החדשה מאפשרת למידה רציפה מהשטח, מה שמפחית עלויות תחזוקה ומשפר דיוק תשובות בזמן אמת. בהשוואה למתחרים כמו LangChain או Haystack, RAG דו-כיווני מציע יתרון בטיחותי ייחודי.
לסיכום, RAG דו-כיווני פותח דרך מעשית למערכות RAG לומדות עצמית, מבוקרות ומאובטחות. עסקים שישלבו טכנולוגיה זו יוכלו להאיץ חדשנות ולהישאר תחרותיים. כיצד תשלבו את זה במערכות ה-AI שלכם?