{"id":21598,"date":"2024-06-24T13:22:28","date_gmt":"2024-06-24T13:22:28","guid":{"rendered":"https:\/\/www.salesforce.com\/?p=21598"},"modified":"2024-10-22T18:23:18","modified_gmt":"2024-10-22T18:23:18","slug":"what-is-retrieval-augmented-generation","status":"publish","type":"post","link":"https:\/\/www.salesforce.com\/br\/blog\/what-is-retrieval-augmented-generation\/","title":{"rendered":"RAG – as tr\u00eas letras mais populares em IA generativa no momento"},"content":{"rendered":"\n

Em 2023, a Algo Communications, com sede no Canad\u00e1, enfrentou um desafio. A empresa estava preparada para um r\u00e1pido crescimento, mas n\u00e3o conseguia treinar representantes de Atendimento ao Cliente<\/a> (CSRs) com rapidez suficiente para acompanhar sua expans\u00e3o. Para enfrentar este desafio, a empresa recorreu a uma solu\u00e7\u00e3o inovadora: IA generativa<\/a>.<\/p>\n\n\n\n

A empresa Algo adotou um grande modelo de linguagem (LLM) para ajudar a integrar novos CSRs com mais rapidez. Para trein\u00e1-los para responder quest\u00f5es complexas dos clientes com precis\u00e3o e flu\u00eancia, a Algo sabia que precisava de algo mais robusto do que um LLM pronto para uso, que normalmente \u00e9 treinado na Internet p\u00fablica e n\u00e3o possui o contexto de neg\u00f3cios espec\u00edfico necess\u00e1rio para responder perguntas com precis\u00e3o. \u00c9 aqui que entra a gera\u00e7\u00e3o aumentada de recupera\u00e7\u00e3o, mais conhecida simplesmente como RAG. 
 
At\u00e9 agora, muitos de n\u00f3s j\u00e1 usamos uma Intelig\u00eancia Artificial Generativa com um Modelo de Linguagem de Grande Porte por meio de aplicativos de bate-papo como ChatGPT, da OpenAI, ou Gemini, do Google, (anteriormente Bard) para ajudar a escrever um e-mail ou criar um conte\u00fado para redes sociais. Mas obter os melhores resultados nem sempre \u00e9 f\u00e1cil – especialmente se voc\u00ea n\u00e3o domina a arte e a ci\u00eancia de criar um \u00f3timo prompt. <\/p>\n\n\n\n

Eis o porqu\u00ea: um modelo de IA \u00e9 t\u00e3o bom quanto aquilo que \u00e9 ensinado. Para prosperar, precisa do contexto adequado e de uma grande quantidade de dados factuais \u2013 e n\u00e3o de informa\u00e7\u00f5es gen\u00e9ricas. Um LLM pronto para uso nem sempre est\u00e1 atualizado, nem ter\u00e1 acesso confi\u00e1vel aos seus dados ou compreender\u00e1 o relacionamento com o cliente. \u00c9 a\u00ed que a RAG pode ajudar. <\/p>\n\n\n\n

\n\t
\n\n\t\t
\n\t\t\t

6 estrat\u00e9gias para usar IA generativa com seguran\u00e7a<\/h2>\n\t\t\t\n\t\t\t\n\t\t\t\t\t\t\t
\n\t\t\t\t\tBaixar guia<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\n\t\t
\n\t\t\t\t\t<\/div>\n\t<\/div>\n\n\t\t\t
<\/div>\n\t\n\t\t\t\n\t\t\"\"\n\n\t\t\n\t\t\t\t\t\"\"\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\t\t\t\"\"\n\t\t\n\t<\/div>\n\n\n\n

LEIA TAMB\u00c9M: <\/strong>5 tend\u00eancias de atendimento ao cliente que voc\u00ea precisa conhecer<\/strong><\/a><\/p>\n\n\n\n

O que \u00e9 RAG?<\/h2>\n\n\n\n

RAG \u00e9 uma t\u00e9cnica de IA que permite \u00e0s empresas incorporarem automaticamente seus dados propriet\u00e1rios mais atuais e relevantes diretamente em seu prompt LLM<\/strong>. <\/p>\n\n\n\n

E n\u00e3o estamos falando apenas de dados estruturados como uma planilha ou um banco de dados<\/a> relacional. Queremos dizer recuperar todos os dados dispon\u00edveis, incluindo dados n\u00e3o estruturados: e-mails, PDFs, registros de bate-papo, postagens em m\u00eddias sociais e outros tipos de informa\u00e7\u00f5es que possam levar a um melhor resultado de IA.\u00a0\u00a0\u00a0
<\/p>\n\n\n\n

Como funciona a Gera\u00e7\u00e3o Aumentada de Recupera\u00e7\u00e3o? <\/strong> <\/h2>\n\n\n\n

Resumindo, o RAG ajuda as empresas a recuperar e usar<\/a> seus dados de diversas fontes internas para obter melhores resultados generativos de IA. Como o material de origem prov\u00e9m de seus pr\u00f3prios dados confi\u00e1veis, ele ajuda a reduzir ou at\u00e9 eliminar distor\u00e7\u00f5es<\/a> e outros resultados incorretos. Resumindo: voc\u00ea pode confiar que as respostas ser\u00e3o relevantes e precisas. <\/p>\n\n\n\n

Para alcan\u00e7ar essa precis\u00e3o aprimorada, o RAG trabalha em conjunto com um tipo especializado de banco de dados \u2013 chamado banco de dados vetorial<\/a> \u2013 para armazenar dados em um formato num\u00e9rico que fa\u00e7a sentido para a IA e recuper\u00e1-los quando solicitado.  <\/p>\n\n\n\n

Segundo Ryan Schellack, diretor de marketing de produtos de IA da Salesforce \u201co RAG n\u00e3o pode fazer seu trabalho sem que o banco de dados vetorial fa\u00e7a seu trabalho. Os dois v\u00e3o de m\u00e3os dadas. Quando voc\u00ea v\u00ea uma empresa falando sobre o suporte \u00e0 gera\u00e7\u00e3o aumentada de recupera\u00e7\u00e3o, ela est\u00e1 apoiando, no m\u00ednimo, duas coisas: um armazenamento de vetores para guardar informa\u00e7\u00f5es e, em seguida, algum tipo de mecanismo de pesquisa de aprendizado de m\u00e1quina projetado para funcionar com esse tipo de dado.\u201d  <\/p>\n\n\n\n

Trabalhando em conjunto com um banco de dados vetorial, o RAG pode ser uma ferramenta poderosa para gerar melhores resultados de LLM, mas n\u00e3o \u00e9 uma solu\u00e7\u00e3o m\u00e1gica. Os usu\u00e1rios ainda devem compreender os fundamentos da escrita de um prompt claro<\/a>. <\/p>\n\n\n\n

Resposta r\u00e1pidas para perguntas complexas<\/h2>\n\n\n\n

Depois de adicionar uma enorme quantidade de dados n\u00e3o estruturados ao seu banco de dados vetorial, incluindo registros de bate-papo e dois anos de hist\u00f3rico de e-mail, a Algo Communications come\u00e7ou a testar essa tecnologia em dezembro de 2023 com alguns de seus CSRs. Eles trabalharam com uma pequena amostra: aproximadamente 10% da base de produtos da empresa. Demorou cerca de dois meses para que os CSRs se sentissem confort\u00e1veis com a ferramenta. Durante a implementa\u00e7\u00e3o, a lideran\u00e7a da empresa ficou entusiasmada ao ver os CSRs ganharem maior confian\u00e7a para responder a perguntas aprofundadas com a assist\u00eancia do RAG. Nesse ponto, a Algo come\u00e7ou a implantar o RAG de forma mais ampla em toda a empresa.  <\/p>\n\n\n

\n
\n

Em apenas dois meses ap\u00f3s a adi\u00e7\u00e3o do RAG, a equipe de atendimento ao cliente da Algo conseguiu concluir os casos com mais rapidez e efici\u00eancia, o que os ajudou a avan\u00e7ar para novas consultas 67% mais r\u00e1pido.\u201d <\/p>\n<\/blockquote>\n\n