{"id":15356,"date":"2024-02-21T07:31:28","date_gmt":"2024-02-21T15:31:28","guid":{"rendered":"https:\/\/www.couchbase.com\/blog\/?p=15356"},"modified":"2025-06-13T20:32:24","modified_gmt":"2025-06-14T03:32:24","slug":"an-overview-of-retrieval-augmented-generation","status":"publish","type":"post","link":"https:\/\/www.couchbase.com\/blog\/pt\/an-overview-of-retrieval-augmented-generation\/","title":{"rendered":"Uma vis\u00e3o geral da Gera\u00e7\u00e3o Aumentada por Recupera\u00e7\u00e3o (RAG)"},"content":{"rendered":"

O que \u00e9 gera\u00e7\u00e3o aumentada por recupera\u00e7\u00e3o?<\/span><\/h2>\n

N\u00e3o h\u00e1 d\u00favida de que <\/span>modelos de linguagem grandes (LLMs)<\/span><\/a> transformaram o processamento de linguagem natural, mas, \u00e0s vezes, eles podem ser inconsistentes, aleat\u00f3rios ou at\u00e9 mesmo errados nas respostas que d\u00e3o a uma solicita\u00e7\u00e3o. Embora isso possa levar a algumas risadas, n\u00e3o \u00e9 o ideal quando se depende de LLMs para obter informa\u00e7\u00f5es precisas e verific\u00e1veis.<\/span><\/p>\n

Muitas equipes t\u00e9cnicas est\u00e3o trabalhando para melhorar a precis\u00e3o de grandes modelos de linguagem. Um m\u00e9todo que surgiu em resposta a esse esfor\u00e7o \u00e9 a gera\u00e7\u00e3o aumentada por recupera\u00e7\u00e3o (RAG). <\/span>Cunhado por um grupo de indiv\u00edduos<\/span><\/a> da equipe do Fundamental Artificial Intelligence Research (FAIR), da University College London (UCL) e da New York University (NYU), a gera\u00e7\u00e3o aumentada por recupera\u00e7\u00e3o (RAG) refere-se a uma t\u00e9cnica que auxilia a precis\u00e3o de modelos de linguagem grandes, permitindo que o modelo tenha acesso a fatos externos.<\/span><\/p>\n

Como o RAG funciona?\u00a0<\/span><\/h2>\n

Normalmente, os grandes modelos de linguagem (LLMs) recebem a entrada de um usu\u00e1rio e fornecem respostas com base nas informa\u00e7\u00f5es com as quais o LLM foi treinado (que, \u00e0s vezes, podem estar desatualizadas ou incorretas). O RAG combina essas informa\u00e7\u00f5es com dados suplementares, como a base de conhecimento de uma empresa ou documentos relevantes, permitindo que ele forne\u00e7a respostas factualmente precisas e contextualmente relevantes.<\/span><\/p>\n

Pesquisa sem\u00e2ntica vs. RAG<\/span><\/h2>\n

A pesquisa sem\u00e2ntica fornece resultados relevantes usando o processamento de linguagem natural para entender a inten\u00e7\u00e3o por tr\u00e1s da consulta de um usu\u00e1rio. No entanto, os mecanismos de pesquisa sem\u00e2ntica s\u00e3o t\u00e3o bons quanto os dados e os algoritmos com os quais s\u00e3o treinados.\u00a0<\/span><\/p>\n

Conforme mencionado acima, o RAG \u00e9 t\u00e3o eficaz porque usa t\u00e9cnicas de recupera\u00e7\u00e3o e gera\u00e7\u00e3o de LLM e incorpora fontes externas confi\u00e1veis fora de seus dados de treinamento para gerar dados relevantes, <\/span>exato<\/span><\/i> respostas.\u00a0<\/span><\/p>\n

Casos de uso do RAG<\/span><\/h2>\n

A gera\u00e7\u00e3o aumentada por recupera\u00e7\u00e3o tem muitos casos de uso. Alguns exemplos incluem:<\/span><\/p>\n

Cria\u00e7\u00e3o de um sistema de Q&A<\/span><\/h3>\n

O RAG permite que os usu\u00e1rios insiram perguntas e recebam respostas detalhadas e relevantes. Em compara\u00e7\u00e3o com os modelos ou sistemas tradicionais de perguntas e respostas, o RAG pode oferecer maior precis\u00e3o e conhecimento mais aprofundado.<\/span><\/p>\n

Sistemas de conversa\u00e7\u00e3o<\/span><\/h3>\n

Ao criar chatbots, o RAG pode ajudar a fornecer uma variedade de respostas informativas e relevantes \u00e0s perguntas dos usu\u00e1rios, especialmente quando as conversas abrangem v\u00e1rios t\u00f3picos ou exigem acesso a grandes quantidades de informa\u00e7\u00f5es. Considere um chatbot de seguros. Esses chatbots devem ser capazes de responder a perguntas que v\u00e3o desde a integra\u00e7\u00e3o at\u00e9 o processamento de sinistros, al\u00e9m de fornecer muitos outros tipos de suporte ao cliente.\u00a0<\/span><\/p>\n

Sistemas educacionais<\/span><\/h3>\n

O RAG pode ser utilizado em v\u00e1rios sistemas educacionais. Al\u00e9m de fornecer respostas a perguntas, ele tamb\u00e9m pode fornecer informa\u00e7\u00f5es b\u00e1sicas sobre como chegar \u00e0s respostas e criar material did\u00e1tico com base nas perguntas dos alunos. O RAG pode aprimorar a experi\u00eancia de aprendizado dos alunos, desde o jardim de inf\u00e2ncia at\u00e9 a faculdade e al\u00e9m.\u00a0<\/span><\/p>\n

Gera\u00e7\u00e3o de conte\u00fado e relat\u00f3rios<\/span><\/h3>\n

O RAG pode ajudar a criar relat\u00f3rios com base em informa\u00e7\u00f5es relevantes e at\u00e9 mesmo auxiliar na gera\u00e7\u00e3o de conte\u00fado, como artigos, publica\u00e7\u00f5es em m\u00eddias sociais e roteiros de v\u00eddeo. O uso do RAG para esses materiais pode reduzir o tempo de pesquisa e brainstorming para os criadores de conte\u00fado e aumentar sua produ\u00e7\u00e3o.\u00a0<\/span><\/p>\n

Como implementar o RAG<\/span><\/h2>\n

A implementa\u00e7\u00e3o do RAG envolve as seguintes etapas:\u00a0<\/span><\/p>\n

    \n
  1. \n
      \n
    1. Comece com um modelo de linguagem pr\u00e9-treinado<\/b><\/li>\n<\/ol>\n<\/li>\n<\/ol>\n

      A primeira coisa que voc\u00ea precisa fazer \u00e9 escolher um modelo de linguagem pr\u00e9-treinado. Esses modelos foram treinados em v\u00e1rios dados e podem gerar textos coerentes e relevantes (embora nem sempre atualizados ou totalmente precisos). H\u00e1 tamb\u00e9m bibliotecas on-line que permitem que os desenvolvedores acessem e usem facilmente modelos de linguagem pr\u00e9-treinados (por exemplo, <\/span>Transformers do Hugging Face<\/span><\/a>).\u00a0<\/span><\/p>\n

        \n
      1. \n
          \n
        1. Recupera\u00e7\u00e3o de documentos<\/b><\/li>\n<\/ol>\n<\/li>\n<\/ol>\n

          Em seguida, voc\u00ea deve implementar um sistema de recupera\u00e7\u00e3o para recuperar documentos relevantes com base na entrada do usu\u00e1rio. H\u00e1 uma op\u00e7\u00e3o para criar ou usar uma variedade de documentos relevantes para seu setor ou tarefa. Como alternativa, h\u00e1 m\u00e9todos mais tradicionais, como o uso de <\/span>Okapi BM25<\/span><\/a> ou <\/span>Frequ\u00eancia do termo - Frequ\u00eancia inversa do documento<\/span><\/a> (TF-IDF), ou modelos de recupera\u00e7\u00e3o neural, como <\/span>Recupera\u00e7\u00e3o de passagens densas<\/span><\/a> (DPR).<\/span><\/p>\n

            \n
          1. \n
              \n
            1. Incorpora\u00e7\u00e3o contextual<\/b><\/li>\n<\/ol>\n<\/li>\n<\/ol>\n

              As incorpora\u00e7\u00f5es contextuais ajudam a identificar o verdadeiro sentimento de uma palavra com base no texto ao redor, o que ajuda a fornecer uma representa\u00e7\u00e3o melhor do que as incorpora\u00e7\u00f5es tradicionais de palavras. A incorpora\u00e7\u00e3o contextual pode ser obtida usando modelos como <\/span>Representa\u00e7\u00f5es de codificadores bidirecionais a partir de transformadores<\/span><\/a> (BERT, na sigla em ingl\u00eas).\u00a0<\/span><\/p>\n

                \n
              1. \n
                  \n
                1. Combina\u00e7\u00e3o (Concatena\u00e7\u00e3o)<\/b><\/li>\n<\/ol>\n<\/li>\n<\/ol>\n

                  Depois de utilizar os embeddings contextuais, voc\u00ea precisar\u00e1 combin\u00e1-los com o contexto. Voc\u00ea pode fazer isso combinando os embeddings da entrada com os embeddings dos documentos ou usando mecanismos de aten\u00e7\u00e3o para ponderar a import\u00e2ncia dos embeddings de cada documento com base no contexto da entrada.<\/span><\/p>\n

                    \n
                  1. \n
                      \n
                    1. Ajuste fino<\/b><\/li>\n<\/ol>\n<\/li>\n<\/ol>\n

                      O ajuste fino \u00e9 opcional, mas pode melhorar o desempenho do modelo. Voc\u00ea pode usar o ajuste fino para acelerar o treinamento, lidar com casos de uso espec\u00edficos e melhorar a experi\u00eancia do usu\u00e1rio.\u00a0<\/span><\/p>\n

                        \n
                      1. \n
                          \n
                        1. Infer\u00eancia<\/b><\/li>\n<\/ol>\n<\/li>\n<\/ol>\n

                          Essa \u00faltima etapa alimentar\u00e1 o contexto no modelo e recuperar\u00e1 os documentos relevantes usando o sistema de recupera\u00e7\u00e3o de documentos. Ela tamb\u00e9m combinar\u00e1 os embeddings de entrada com os embeddings de documentos e gerar\u00e1 uma resposta usando o modelo combinado.<\/span><\/p>\n

                          Felizmente, existem bibliotecas que fornecem ferramentas pr\u00e9-treinadas para a implementa\u00e7\u00e3o de sistemas do tipo RAG, tornando todo esse processo mais f\u00e1cil e acess\u00edvel para os desenvolvedores.<\/span><\/p>\n

                          Benef\u00edcios da gera\u00e7\u00e3o aumentada por recupera\u00e7\u00e3o<\/span><\/h2>\n

                          Um dos maiores benef\u00edcios da gera\u00e7\u00e3o aumentada por recupera\u00e7\u00e3o \u00e9 a qualidade e a relev\u00e2ncia aprimoradas das respostas geradas devido ao fato de o modelo de linguagem grande ter acesso a informa\u00e7\u00f5es mais precisas e relevantes do que teria de outra forma.\u00a0<\/span><\/p>\n

                          Outro benef\u00edcio \u00e9 a capacidade do RAG de fornecer informa\u00e7\u00f5es espec\u00edficas do dom\u00ednio. Como \u00e9 poss\u00edvel ajustar os modelos RAG para tarefas ou casos de uso espec\u00edficos, eles podem beneficiar os usu\u00e1rios fornecendo informa\u00e7\u00f5es exclusivas para a situa\u00e7\u00e3o deles.\u00a0<\/span><\/p>\n

                          Como o RAG n\u00e3o apenas recupera informa\u00e7\u00f5es relevantes, mas tamb\u00e9m gera uma resposta natural, as intera\u00e7\u00f5es com esses modelos ser\u00e3o, em geral, mais conversacionais e f\u00e1ceis de usar.<\/span><\/p>\n

                          Principais conclus\u00f5es e recursos adicionais<\/span><\/h2>\n

                          A gera\u00e7\u00e3o aumentada por recupera\u00e7\u00e3o oferece uma vers\u00e3o aprimorada dos modelos tradicionais de linguagem grande, combinando os pontos fortes dos LLMs com o acesso externo a informa\u00e7\u00f5es precisas e atualizadas.\u00a0\u00a0<\/span><\/p>\n

                          Para continuar aprendendo sobre t\u00f3picos relacionados \u00e0 gera\u00e7\u00e3o aumentada por recupera\u00e7\u00e3o, confira estes recursos:<\/span><\/p>\n