Mi a RAG, és miért fontos?
A RAG (Retrieval Augmented Generation) az AI chatbotok legújabb generációja: a válasz előtt a rendszer megkeresi a releváns dokumentumokat (retrieval), majd az LLM ezek alapján generál (generation).
Eredmény: pontosabb válasz, hivatkozott forrás, minimális hallucináció. A Nortinia engine kétszintű retrieval-t (semantic + keyword) és re-rank-et használ a maximális pontosságért.
Mi különbözteti meg a Nortinia RAG-jét?
Két lépcsős retrieval
Semantic search + keyword search + re-rank. Magasabb precision a top-k dokumentumokra.
Citation
Minden válasz a forrás-dokumentumra hivatkozik — visszanyomozhatóság.
Multi-doc reasoning
Összeköt több dokumentumot a válaszhoz — nem csak egy szövegrészt másol.
Eval harness
Beépített eval keret: ground truth, retrieval@k, faithfulness, answer relevancy.
RAG bevezetés 4 lépésben
Dokumentum-import
URL, PDF, Markdown, SharePoint és egyéb dokumentumkezelők — bulk feltöltés.
Chunking + indexálás
Adaptive chunking, vektoros + keyword index, metaadat-tagolás.
Pilot kérdéskör
Eval-set-tel mérjük a retrieval@k-t és a faithfulness-t.
Élesedés
A/B-tesztelt prompt finomhangolás, modell-pinning, monitoring.
RAG chatbot — gyakori kérdések
Mi a különbség a "sima" chatbot és a RAG között?
A "sima" chatbot a modell betanított tudásából válaszol (vagy hallucinál). A RAG mindig a te dokumentumaidból retrievál, és csak azokra építve generál.
Milyen formátumot fogad el?
PDF, DOCX, Markdown, HTML, URL, JSON, CSV, SharePoint, Google Drive és egyéb dokumentumkezelők. API-n is feltölthető.
Hogyan minimalizálja a hallucinációt?
Citation kötelező, re-rank a top-k-ra, faithfulness scoring az evalban, alacsony confidence-nél eszkaláció.
Frissül-e a tudásbázis automatikusan?
Igen — automatikus crawl + diff alapú re-indexálás. Beállítható intervallummal (óránként-naponta).
Mutatjuk a RAG chatbotot a saját tudásbázisodon.
30 perces bemutató, eval-set, pontosság-becslés a végén.