Retrieval-augmented generation (RAG) என்பது காப்பீட்டுத் துணைப் பணியாளர்கள் (underwriting copilots) சமீபத்திய பாலிசி விதிகளின் பிரிவுகள், வழக்குத் தீர்ப்புகள் மற்றும் ஒழுங்குமுறை வழிகாட்டுதல்களை ஒரு நிர்வகிக்கப்பட்ட ஆவணச் சேமிப்பகத்திலிருந்து நேரடியாகப் பெற அனுமதிக்கிறது. ஆனால், fine-tuning என்பது அந்தத் தகவல்களை மாதிரியின் எடைகளில் (weights) நிலைநிறுத்தி, அடுத்த விலை உயர்ந்த மறுபயிற்சி சுழற்சி வரை அவற்றை மாற்ற முடியாதபடி பூட்டிவிடுகிறது. துல்லியம் மிக முக்கியமான ஒரு துறையில், தேவைப்படும்போது ஒரு ஆதாரத்தைக் குறிப்பிடும் திறன், ஒரு பயனுள்ள உதவியாளரையும் ஒரு பொறுப்புத் தடையையும் (liability) வேறுபடுத்துகிறது.
இந்த விவாதம் இப்போது ஏன் முக்கியமானது
ஒரு பொதுவான LLM-ஐ நிறுவனத்தின் உள் கையேடுகளின் தொகுப்பைக் கொண்டு fine-tune செய்து, அதன் மூலம் விதிகளை அது "அறிந்துகொள்ள" வைப்பதே பலரின் விருப்பமாக உள்ளது. Fine-tuning என்பது நடைமுறைப் பாணி (style), வடிவமைப்புத் தேவைகள் மற்றும் செயல்முறைப் படங்களை உட்புகுத்தினாலும், அது நிலையான அறிவை மாதிரியின் அளவுருக்களில் (parameters) நிலைநிறுத்திவிடுகிறது. புதிய தயாரிப்பு அறிமுகம், புதுப்பிக்கப்பட்ட விதி அல்லது ஒழுங்குமுறை ஆணையம் வெளியிடும் வழிகாட்டுதல் என எந்த மாற்றம் ஏற்பட்டாலும், ஒரு புதிய பயிற்சித் தேவைப்படும்.
Retrieval-augmented generation (RAG) இந்தத் தடையைத் தவிர்க்கிறது. இதில் LLM "மெலிதாக" (thin) மட்டுமே இருக்கும்: அது மொழி, பகுத்தறிவு மற்றும் வெளியீட்டு வடிவத்தைக் கையாளும்; அதே நேரத்தில் ஒரு தனித் தேடுபொறி பயனரின் கேள்விக்குத் தேவையான சமீபத்திய ஆவணங்களை எடுத்து வரும். மாதிரி மீட்டெடுக்கப்பட்ட உரையிலிருந்து மட்டுமே பதிலளிக்க வேண்டும் மற்றும் அதனுடன் ஒரு மேற்கோலை (citation) இணைக்க வேண்டும். பொருத்தமான ஆதாரம் இல்லையென்றால், "என்னிடம் அந்தத் தகவல் இல்லை" என்று அமைப்பு பதிலளிக்கும். தணிக்கையாளர்கள் தெளிவான தணிக்கைப் பாதையை (audit trail) கோரும் காப்பீட்டுத் துறையில், இந்தச் செயல்பாடு ஒரு வசதி மட்டுமல்ல; அது ஒரு இணக்கத் தேவையாகும் (compliance requirement).
நடைமுறையில் இந்த இரண்டு அணுகுமுறைகளும் எவ்வாறு வேறுபடுகின்றன
| பணி | Fine-tuning | Retrieval |
|---|---|---|
| வழிகாட்டுதலைப் புதுப்பித்தல் | திருத்தப்பட்ட உரையை வைத்து மாதிரியை மறுபயிற்சி செய்தல் | குறியீட்டில் (index) உள்ள ஆவணத்தை மாற்றுதல் அல்லது திருத்துதல் |
| பதிலைத் தெளிவுபடுத்துதல் | உள்ளமைக்கப்பட்ட தடயவியல் (traceability) இல்லை | துல்லியமான ஆதார அடையாள எண்ணைக் (source ID) குறிப்பிடுதல் |
| அடுத்த வாரம் புதிய தயாரிப்பைச் சேர்த்தல் | புதிய பயிற்சித் தேவைப்படும் | தயாரிப்பு விவரக்குறிப்பை (spec) குறியீடு செய்து உடனடியாகப் பயன்படுத்தத் தொடங்குதல் |
| தவறான தகவலைச் சரிசெய்தல் | எடையில் ஏற்பட்ட மாற்றத்தைக் கண்டறிந்து, மறுபயிற்சி செய்தல் | மூல ஆவணத்தைத் திருத்துதல்; அடுத்த முறை கேட்கும்போது திருத்தம் தெரியும் |
இந்த வேறுபாடு மிகவும் தெளிவானது. அறிவுத் தொகுப்பு நிலையானதாக இருக்கும்போது, fine-tuning என்பது "அமைத்துவிட்டு மறந்துவிடலாம்" (set-and-forget) போன்ற ஒரு அணுகுமுறையாகும். Retrieval என்பது அறிவுத் தொகுப்பை நிமிடங்களில் மாற்றியமைக்கக்கூடிய ஒரு வாழும் நூலகமாக treats செய்கிறது; இதில் LLM என்பது சரியான கோப்பைத் தேடி எடுத்து வரும் ஒரு திறமையான ஆய்வாளராகச் செயல்படுகிறது.
காப்பீட்டுத் துணைப் பணியாளர் பணிப்பாய்வு (Workflow)
- பயனர் ஒரு கேள்வியைக் கேட்கிறார் – உதாரணத்திற்கு, "நடுத்தர அளவிலான SaaS நிறுவனத்திற்கான சைபர் பொறுப்புத் திட்டத்தின் (cyber liability) காப்பீட்டு வரம்புகள் என்ன?"
- அமைப்பு தேடுகிறது – பாலிசி களஞ்சியம், ஒழுங்குமுறைத் தரவுத்தளம் மற்றும் முந்தைய வழக்குத் தீர்ப்புகளைத் தேடுகிறது.
- Reranking – மிகவும் பொருத்தமான பகுதிகளைத் தேர்ந்தெடுத்து, அவற்றுடன் ஆதார அடையாளக் குறியீடுகளை (source identifiers) இணைக்கிறது.
- LLM உருவாக்குகிறது – அந்தப் பகுதிகளை மட்டுமே கொண்டு ஒரு பதிலை உருவாக்குகிறது.
- பதிலில் மேற்கோள்கள் இருக்கும் – இது காப்பீட்டுத் துணைப் பணியாளர் பதிலைத் உடனடியாகச் சரிபார்க்க அனுமதிக்கிறது.
ஒரு விதி நேர்மையை உறுதி செய்கிறது: மாதிரி தனது உள் நினைவகத்திலிருந்து கற்பனையான தகவல்களை (hallucinate) உருவாக்கக்கூடாது. மீட்டெடுக்கப்பட்ட தொகுப்பில் பதில் இல்லையென்றால், அமைப்பு தனது அறியாமையை ஒப்புக்கொள்ள வேண்டும். இந்த விதி, ஒழுங்குமுறைப்படுத்தப்பட்ட துறைகளில் முந்தைய AI சோதனைகளைத் திணறடித்த அந்தத் தன்னம்பிக்கையான தவறான ஊகங்களை நீக்குகிறது.
Retrieval ஏன் வெற்றி பெறுகிறது
- புத்துணர்ச்சி (Freshness) – ஒரு பாலிசி ஆவணம் புதுப்பிக்கப்பட்டவுடன், குறியீடு (index) அந்த மாற்றத்தைப் பிரதிபலிக்கும். அடுத்த பயிற்சித் தருணத்திற்காகக் காத்திருக்கத் தேவையில்லை.
- தணிக்கை செய்யும் திறன் (Auditability) – ஒவ்வொரு வெளியீடும் ஒரு குறிப்பிட்ட ஆதாரத்தைக் காட்டும், இது "என்ன" என்பதோடு சேர்த்து "ஏன்" என்பதையும் கோரும் ஒழுங்குமுறை ஆணையர்களைத் திருப்திப்படுத்தும்.
- செலவு (Cost) – ஒரு ஆவணத்தைத் திருத்துவதற்கு சில நிமிடங்கள் போதும்; ஆனால் முழு மாதிரியையும் மறுபயிற்சி செய்வது ஒரு மிகப்பெரிய திட்டமாகும்.
- கட்டுப்பாடு (Control) – அறிவு உரிமையாளர்கள் ஏற்கனவே பதிப்பு மேலாண்மை மற்றும் அணுகல் கட்டுப்பாட்டிற்குப் பயன்படுத்தும் ஆவணச் சேமிப்பகத்தையே நிர்வகிக்கலாம்; எடையில் செய்யப்படும் மாற்றங்கள் எதிர்பார்த்தபடி செயல்படும் என்று நம்ப வேண்டிய அவசியம் இல்லை.
Fine-tuning எப்போது பயன்படும்
"என்ன" சொல்வதை விட, "எப்படி" சொல்வது என்பதில் fine-tuning சிறந்து விளங்குகிறது. ஒரு காப்பீட்டுத் துணைப் பணியாளர் ஒரு குறிப்பிட்ட தொனியில் பதிலளிக்க வேண்டும், ஒரு கண்டிப்பான வடிவமைப்பு வார்ப்புருவைப் (template) பின்பற்ற வேண்டும் அல்லது ஒரு சிறப்புப் பகுத்தறிவு முறையைப் (எ.கா., இடர் மதிப்பீட்டுக் கணக்கீடுகள்) பின்பற்ற வேண்டும் என்றால், ஒரு சிறிய fine-tune அந்த நடத்தைகளை உட்புகுத்த உதவும். உண்மையான தகவல்களைத் தற்காலிகமாகத் தேடி எடுக்கும் (retrieved) முறையில் வைத்திருப்பதே சிறந்தது.
சுருக்கம் (Takeaway)
காப்பீட்டுத் துறையில், முன்னுரிமை என்பது வெறும் சரளமாகப் பேசும் சாட்போட் (chatbot) மட்டுமல்ல, ஒவ்வொரு பரிந்துரையையும் ஆதரிக்கும் துல்லியமான விதி அல்லது வழக்கைக் காட்டக்கூடிய ஒரு வெளிப்படையான ஆய்வாளரையே ஆகும். Retrieval-augmented generation அந்த வெளிப்படைத்தன்மையைத் தருகிறது, குறைந்த முயற்சியுடன் தற்போதைய தகவல்களுடன் இயங்குகிறது, மேலும் தொடர்ச்சியான மாதிரி மறுபயிற்சியின் பெரும் செலவைத் தவிர்க்கிறது. பாணியையும் பகுத்தறிவையும் வடிவமைக்க fine-tuning-ஐப் பயன்படுத்துங்கள்; உண்மைகளை வழங்க retrieval-ஐப் பயன்படுத்துங்கள்; இதன் மூலம் நீங்கள் காப்பீட்டுத் துணைப் பணியாளர்களுக்கு அவர்கள் நம்பக்கூடிய மற்றும் ஒழுங்குமுறை ஆணையங்கள் தணிக்கை செய்யக்கூடிய ஒரு கருவியைக் கொடுக்கிறீர்கள்.