Key points are not available for this paper at this time.
소프트웨어 엔지니어들은 점점 Retrieval Augmented Generation(RAG)으로 알려진 전략을 사용하여 애플리케이션에 의미 기반 검색 기능을 추가하고 있습니다. RAG 시스템은 쿼리와 의미적으로 일치하는 문서를 찾아 대형 언어 모델(예: ChatGPT)에 전달하여 올바른 답을 추출하도록 합니다. RAG 시스템의 목표는 a) 대형 언어 모델의 환각 반응 문제를 줄이고, b) 생성된 응답에 출처/참고문헌을 연결하며, c) 문서에 메타데이터를 주석 처리할 필요를 없애는 것입니다. 그러나 RAG 시스템은 정보 검색 시스템 특유의 한계와 대형 언어 모델에 대한 의존에서 비롯된 문제를 겪습니다. 본 논문에서는 연구, 교육, 생의학 등 세 분야의 사례 연구를 통해 RAG 시스템의 실패 지점에 관한 경험 보고를 제시합니다. 배운 교훈을 공유하며 RAG 시스템 설계 시 고려해야 할 7가지 실패 지점을 소개합니다. 본 연구의 두 가지 주요 시사점은 1) RAG 시스템 검증은 운영 중에만 가능하며, 2) RAG 시스템의 견고성은 처음 설계 시 결정되는 것이 아니라 점차 발전한다는 것입니다. 끝으로 소프트웨어 공학 커뮤니티를 위한 RAG 시스템의 잠재적 연구 방향들을 제시합니다.
Building similarity graph...
Analyzing shared references across papers
Loading...
Scott Barnett
Stefanus Kurniawan
Srikanth Thudumu
Deakin University
Building similarity graph...
Analyzing shared references across papers
Loading...
Barnett 등(선)은 이 질문을 연구하였습니다.
www.synapsesocial.com/papers/68e6f3a4b6db64358766e599 — DOI: https://doi.org/10.1145/3644815.3644945
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: