Apa itu RAG (retrieval-augmented generation)?
RAG, atau retrieval-augmented generation, adalah pendekatan AI di mana model lebih dulu mengambil bagian-bagian relevan dari teks sumber lalu menghasilkan jawaban yang bertumpu pada bagian-bagian itu.
Model bahasa besar biasa bersandar pada pengetahuan yang dibakukan saat pelatihan dan rentan berhalusinasi. RAG menyelesaikan ini dengan langkah pengambilan: ketika pertanyaan datang, sistem mencari bagian paling relevan dari korpus (buku, PDF, basis pengetahuan), menyerahkannya sebagai konteks ke model, dan baru kemudian meminta jawaban.
Hasilnya: jawaban menunjuk pada bagian-bagian tertentu dan tetap terjangkar ke teks sumber alih-alih data pelatihan model. Karena itu RAG menjadi standar untuk fitur "chat dengan dokumenmu", bot dukungan di atas pusat bantuan, dan mesin pencari AI yang harus mencantumkan sumber.
Kualitas sistem RAG bergantung pada tiga hal: bagaimana sumber dipecah menjadi bagian (paragraf, seksi, kalimat), bagaimana bagian-bagian itu direpresentasikan sebagai vektor untuk pencarian kemiripan, dan bagaimana model dilatih menggunakan konteks yang ditarik. Kelemahan pada salah satu dari tiga hal itu menghasilkan jawaban yang tampak terdukung dari luar tetapi keliru secara substansi.
Summio menggunakan RAG untuk mengaitkan setiap pernyataan dalam rangkuman atau jawaban chat ke bagian tertentu dalam buku, transkrip video, artikel, atau PDF. Jika mesin tidak bisa mengutip bagian itu, pernyataan tidak dicetak. Kebijakan kesetiaan pada sumber membuat Summio layak mendapat kepercayaan pembaca serius.
Pelajari lebih lanjut tentang Summio →Pertanyaan umum
Apa beda RAG dengan fine-tuning?
Fine-tuning "membakar" pengetahuan baru ke bobot model — lambat, mahal, dan hanya diperbarui dengan pelatihan ulang. RAG membiarkan model dan mengubah konteks yang ditarik per permintaan: memperbarui pengetahuan berarti mengindeks ulang dokumen, bukan melatih ulang.
Apakah RAG menghilangkan halusinasi sepenuhnya?
Mengurangi secara signifikan tetapi tidak menghilangkan sepenuhnya. Model dapat salah membaca bagian yang diambil, mengabaikannya, atau membangun sintesis keliru dari bagian-bagian yang benar. Kebijakan kutipan wajib (tidak ada bagian, tidak ada jawaban) menutupi sebagian besar celah yang tersisa.
Di mana RAG dipakai?
Pada mesin pencari AI (Perplexity, ChatGPT Search, Claude dengan akses web), pada chat dengan dokumen internal, pada bot dukungan di atas pusat bantuan, dan pada aplikasi membaca seperti Summio. Di mana pun jawaban harus terjangkar ke sumber tertentu.