ഘടനാരഹിതമായ ഡാറ്റയും മറ്റ് ആസ്തികളും വൻതോതിൽ ഉപയോഗയോഗ്യമായ വിവരങ്ങളാക്കി മാറ്റുന്നതിന് കൂടുതൽ ഓർഗനൈസേഷനുകൾ ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (ജെൻഎഐ) ഉപകരണങ്ങളിലേക്ക് തിരിയുമ്പോൾ, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ജനറേഷൻ പ്രക്രിയയിൽ ഏറ്റവും പ്രസക്തമായ ഉള്ളടക്കം കണ്ടെത്താൻ കഴിയുന്നത് നിർണായകമാണ്.

റിട്രീവൽ ഓഗ്മെന്റഡ് ജനറേഷൻ അല്ലെങ്കിൽ “ആർഎജി” എന്നത് കൂടുതൽ ഇച്ഛാനുസൃതമാക്കിയ ജെൻഎഐ മോഡൽ സൃഷ്ടിച്ചുകൊണ്ട് ചെയ്യാൻ കഴിയുന്ന ഒരു സാങ്കേതികവിദ്യയാണ്, ഇത് ചോദ്യങ്ങൾക്ക് കൂടുതൽ കൃത്യവും നിർദ്ദിഷ്ടവുമായ പ്രതികരണങ്ങൾ പ്രാപ്തമാക്കുന്നു.

ഡീപ്-ലേണിംഗ് മോഡലുകൾ എന്നും വിളിക്കപ്പെടുന്ന വലിയ ഭാഷാ മോഡലുകൾ (എൽഎൽഎം) ജെൻഎഐ സാങ്കേതികവിദ്യയുടെ അടിസ്ഥാനമാണ്; ഒരു മോഡൽ ഉപയോഗത്തിനായി ലഭ്യമാകുമ്പോഴേക്കും കാലഹരണപ്പെട്ടതും ഒരു ദൗത്യത്തിന് നിർദ്ദിഷ്ടമല്ലാത്തതുമായ വലിയ അളവിലുള്ള ലേബൽ ചെയ്യാത്ത അല്ലെങ്കിൽ ഘടനാരഹിതമായ ഡാറ്റയെക്കുറിച്ച് അവർ മുൻകൂട്ടി പരിശീലനം നേടിയിട്ടുണ്ട്.

ബില്യൺ അല്ലെങ്കിൽ ഒരു ട്രില്യൺ അല്ലെങ്കിൽ അതിൽ കൂടുതൽ പാരാമീറ്ററുകളുള്ള ഒരു ന്യൂറൽ നെറ്റ് വർക്ക് എൽഎൽഎമ്മുകളിൽ അടങ്ങിയിരിക്കാം. പരിശീലനം ലഭിച്ച വിവരങ്ങൾക്ക് പുറത്തുള്ള ഒരു ബാഹ്യ വിജ്ഞാന അടിത്തറ പരാമർശിച്ചുകൊണ്ട് (ആക്സസ്) ഒരു എൽഎൽഎമ്മിന്റെ ഔട്ട്പുട്ട് ആർഎജി ഒപ്റ്റിമൈസ് ചെയ്യുന്നു. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, പ്രസക്തമായ ബാഹ്യ വിവരങ്ങൾ കണ്ടെത്താനും ഉപയോഗിക്കാനും RAG ജെൻഎഐയെ പ്രാപ്തമാക്കുന്നു, പലപ്പോഴും ഒരു ഓർഗനൈസേഷന്റെ ഉടമസ്ഥതയിലുള്ള ഡാറ്റാ സ്രോതസ്സുകളിൽ നിന്നോ അത് നിർദ്ദേശിച്ച മറ്റ് ഉള്ളടക്കങ്ങളിൽ നിന്നോ.

ഇത് ഒരു എൽഎൽഎമ്മിന്റെ വിജ്ഞാന അടിത്തറ വർദ്ധിപ്പിക്കുക മാത്രമല്ല ” അതിന്റെ ഔട്ട്പുട്ടുകളുടെ കൃത്യതയും സന്ദർഭവും ഗണ്യമായി മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്നു,” മൈക്രോസോഫ്റ്റ് ഒരു ബ്ലോഗിൽ വിശദീകരിച്ചു.

പ്രസക്തമായ ഡാറ്റ വീണ്ടെടുക്കുന്നതിനും വസ്തുതാപരവും പുതിയതുമായ വിവരങ്ങൾ ഉപയോഗിച്ച് ജനറേറ്റീവ് ഔട്ട്പുട്ട് മികച്ച രീതിയിൽ ഗ്രൗണ്ട് ചെയ്യുന്നതിന് ഒരു ജെൻഎഐ മോഡലിന്റെ പ്രോംപ്റ്റിലേക്ക് ചേർക്കുന്നതിനും തിരയൽ പ്രവർത്തനം ഉപയോഗിക്കുന്ന ഒരു ഡിസൈൻ പാറ്റേണാണ് ആർഎജി.

“പൊതു ഇന്റർനെറ്റ് ഡാറ്റ വീണ്ടെടുക്കുന്നതിനും സ്വകാര്യ വിജ്ഞാന കേന്ദ്രങ്ങളിൽ നിന്ന് ഡാറ്റ വീണ്ടെടുക്കുന്നതിനും ആർഎജി ഉപയോഗിക്കാം,” ഗാർട്ട്നർ റിസർച്ച് പറയുന്നു.

2020 ൽ പ്രസിദ്ധീകരിച്ച ഒരു പ്രബന്ധത്തിലാണ് സ്റ്റാർട്ട് അപ്പായ കോഹറിലെ നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ് റിസർച്ച് സയന്റിസ്റ്റായ പാട്രിക് ലൂയിസ് ആർഎജി എന്ന പദം ആദ്യമായി ഉപയോഗിച്ചത്. എൽഎൽഎമ്മുകൾക്ക് അവരുടെ മെമ്മറി എളുപ്പത്തിൽ വികസിപ്പിക്കാനോ പരിഷ്കരിക്കാനോ കഴിയില്ലെന്നും അവരുടെ പ്രവചനങ്ങളെക്കുറിച്ച് നേരിട്ട് ഉൾക്കാഴ്ച നൽകാൻ കഴിയില്ലെന്നും ലൂയിസ് ചൂണ്ടിക്കാട്ടി.

കഴിഞ്ഞ ആഴ്ച, സ്ലാക്ക് ബിസിനസുകൾക്കായി ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് അധിഷ്ഠിത ഉപകരണങ്ങൾ അനാച്ഛാദനം ചെയ്യുകയും ജെൻഎഐ ഫലങ്ങളിലെ മതിഭ്രമം കുറയ്ക്കാൻ കമ്പനി പ്രതീക്ഷിക്കുന്ന ഒരു മാർഗമായി ആർഎജിയെ ഉദ്ധരിക്കുകയും ചെയ്തു.

കോഹെറിന് പുറമേ, അര ഡസനിലധികം വെണ്ടർമാർ ഒരു എൽഎൽഎമ്മിനായി ആർഎജി അധിഷ്ഠിത ആപ്ലിക്കേഷനുകൾ നിർമ്മിക്കുന്നതിന് ഡവലപ്പർമാർക്ക് തദ്ദേശീയ അല്ലെങ്കിൽ ഒറ്റപ്പെട്ട പരിഹാരങ്ങൾ നൽകുന്നു. അവയിൽ Vectara, OpenAI, Microsoft Azure Search, Google Vertex AI, LangChain, LamaIndex, Databricks എന്നിവ ഉൾപ്പെടുന്നു.

“ആർഎജിയെ ചുറ്റിപ്പറ്റിയുള്ള കൂടുതൽ കൂടുതൽ പരിഹാരങ്ങൾ – അത് കൂടുതൽ ഫലപ്രദമായി ഉപയോഗിക്കാൻ ആളുകളെ പ്രാപ്തരാക്കുന്നത് – അസംസ്കൃത ഉൽപാദനക്ഷമത മെച്ചപ്പെടുത്തലുകൾക്ക് വിരുദ്ധമായി ബിസിനസ്സ് മൂല്യമുള്ള ശരിയായ ഡാറ്റയുമായി ബന്ധിപ്പിക്കുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കാൻ പോകുന്നു,” ഐഡിസി ഗ്രൂപ്പ് വേൾഡ് വൈഡ് റിസർച്ച് വൈസ് പ്രസിഡന്റ് റിക്ക് വില്ലാർസ് പറഞ്ഞു.

ആർഎജി ഉപയോഗിച്ച്, വസ്തുതാപരമായ ഇൻപുട്ടുകളെ അടിസ്ഥാനമാക്കി കൃത്യമായ ഫലങ്ങൾ സൃഷ്ടിക്കുന്നതിനുള്ള സാധ്യതകൾ വർദ്ധിപ്പിക്കാൻ ഓർഗനൈസേഷനുകൾക്ക് കഴിയുമെന്ന് ഗാർട്ട്നറിലെ വിശിഷ്ട വൈസ് പ്രസിഡന്റ് അനലിസ്റ്റ് അവിവ ലിറ്റൻ പറഞ്ഞു. വീണ്ടെടുത്ത ഡാറ്റ ഉപയോഗിച്ച് ഔട്ട്പുട്ടുകൾ അടിസ്ഥാനമാക്കിയിരിക്കുന്നതിനാൽ ഇത് മതിഭ്രമത്തിനുള്ള സാധ്യതയും കുറയ്ക്കുന്നു.

ഒരു ഓർഗനൈസേഷന്റെ സ്വന്തം ഡാറ്റയിൽ പ്രയോഗിക്കുന്ന മൂന്നാം കക്ഷി എൽഎൽഎമ്മുകളുടെ ശക്തി ഉപയോഗിച്ച് വേഗത്തിൽ അവർ തിരയുന്ന വിവരങ്ങൾ കണ്ടെത്താനും സംഗ്രഹിക്കാനും ഉപയോഗിക്കാനും ആർഎജി തൊഴിലാളികളെ അനുവദിക്കുന്നു. പകർപ്പവകാശമുള്ളതോ മറ്റ് ഐപി പരിരക്ഷിത വസ്തുക്കളോ എൽഎൽഎം പ്രതികരണങ്ങളിൽ ഉൾപ്പെടുത്തുമ്പോൾ ഉണ്ടാകുന്ന ബാധ്യതയിൽ നിന്ന് ഓർഗനൈസേഷനെ പരിരക്ഷിക്കുന്നതിനും ഇത് സഹായിക്കുന്നു.

“ഈ സാധ്യത വളരെയധികം കുറയുന്നു, കാരണം ഉടനടി പ്രതികരണങ്ങൾ എന്റർപ്രൈസ് ഡാറ്റയിൽ അടിസ്ഥാനമാക്കാൻ കഴിയും,” ലിറ്റൻ പറഞ്ഞു.

ആർ എ ജി ഉപയോഗിച്ച് ബിസിനസ്സ് വിവരങ്ങളിലേക്ക് മികച്ച പ്രവേശനം നേടുന്നതിനുള്ള ഒരു മാർഗം ഒരു വെക്റ്റർ ഡാറ്റാബേസും ഗ്രാഫ് സാങ്കേതികവിദ്യകളുമാണ്, ഇത് കുത്തക ഡാറ്റ ടാപ്പുചെയ്യാനും ബിസിനസ്സ് മൂല്യം ശരിക്കും പരിശോധിക്കാൻ ഒരു ഓർഗനൈസേഷനെ അനുവദിക്കാനും കഴിയും, വില്ലാർസ് പറഞ്ഞു.

ഒരു വെക്റ്റർ ഡാറ്റാബേസ് ഉയർന്ന അളവിലുള്ള വെക്റ്റർ ഡാറ്റ കാര്യക്ഷമമായി സംഭരിക്കുകയും സൂചികകൾ നൽകുകയും കൈകാര്യം ചെയ്യുകയും ചെയ്യുന്നു; തൽഫലമായി, കമ്പനികൾ അവ വികസിപ്പിക്കാനോ നിലവിലുള്ള SQL അല്ലെങ്കിൽ NoSQL ഡാറ്റാബേസുകളിലേക്ക് വെക്റ്റർ തിരയൽ കഴിവുകൾ ചേർക്കാനോ പണം ചെലവഴിക്കുന്നു.

2026 ഓടെ, 30 ശതമാനത്തിലധികം സംരംഭങ്ങളും പ്രസക്തമായ ബിസിനസ്സ് ഡാറ്റ ഉപയോഗിച്ച് അവരുടെ ഫൗണ്ടേഷൻ മോഡലുകൾ അടിസ്ഥാനമാക്കുന്നതിന് വെക്റ്റർ ഡാറ്റാബേസുകൾ സ്വീകരിക്കുമെന്ന് ഗാർട്ട്നർ റിസർച്ച് പറയുന്നു. 2024 ലെ “ക്രിട്ടിക്കൽ എനേബിൾ” എന്റർപ്രൈസ് ടെക്നോളജിയായി ഗാർട്ട്നർ വെക്റ്റർ ഡാറ്റാബേസുകളെ പട്ടികപ്പെടുത്തുന്നു.

വെക്റ്റർ ഡാറ്റാബേസുകൾക്കായുള്ള ജനപ്രിയ ഉപയോഗങ്ങളിൽ ഉൽപ്പന്ന ശുപാർശകൾ, സമാനത തിരയൽ, തട്ടിപ്പ് കണ്ടെത്തൽ, ജനറേറ്റീവ്-എഐ-പവർഡ്, ചോദ്യോത്തര ആപ്ലിക്കേഷനുകൾ എന്നിവ ഉൾപ്പെടുന്നു.

വെക്റ്റർ ഡാറ്റാബേസുകൾക്ക് പലപ്പോഴും ആർഎജി സിസ്റ്റങ്ങളുടെ നട്ടെല്ലായി പ്രവർത്തിക്കാൻ കഴിയും. ടെക്സ്റ്റ്, ഇമേജുകൾ അല്ലെങ്കിൽ ശബ്ദങ്ങൾ എന്നിവയിൽ നിന്ന് ഉരുത്തിരിഞ്ഞ ഡാറ്റ ഡാറ്റാബേസുകൾ സംഭരിക്കുകയും കൈകാര്യം ചെയ്യുകയും ചെയ്യുന്നു, അവ ഗണിത വെക്റ്ററുകളായി പരിവർത്തനം ചെയ്യപ്പെടുന്നു.

“അതിന്റെ മറ്റൊരു ഭാഗം ആപ്ലിക്കേഷൻ നവീകരണത്തിലേക്ക് മടങ്ങുകയാണ്,” വില്ലാർസ് പറഞ്ഞു. ” പഴയ ക്ലയന്റ്-സെർവർ അപ്ലിക്കേഷനുകളും ജാവയിൽ നിർമ്മിച്ച ആദ്യകാല മൊബൈൽ, ക്ലൗഡ് അപ്ലിക്കേഷനുകളും കമ്പനികൾക്ക് ഇന്ന് ഉള്ള ഏറ്റവും വലിയ ലെഗസി ഇൻസ്റ്റാൾ ബേസുകളിൽ ഒന്നാണ്. ഈ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സ്റ്റോറിയുടെ ഭാഗമാക്കുന്നതിന് ഞങ്ങൾ അവരെ നവീകരിക്കേണ്ടതുണ്ട്.”