RAG: सबसे महत्वपूर्ण एआई टूल मार्केटर्स ने वर्टिसिया द्वारा कभी नहीं सुना है

अब तक, अधिकांश विपणक कम से कम जनरेटिव एआई (जीनई) टूल और बड़े भाषा मॉडल (एलएलएम) जैसे चैट, क्लाउड और जेमिनी के साथ कम से कम डब किए गए हैं। उन्होंने सुना है कि उनके प्रतियोगी एक बटन के धक्का के साथ व्यावहारिक रूप से पूरे अभियान बनाने के लिए तकनीक का उपयोग कर रहे हैं। और वे जानते हैं कि एआई विपणन को फिर से आकार दे रहा है और शायद दोनों उत्साहित हैं और थोड़ा चिंतित हैं कि भविष्य क्या लाएगा।

आज तक, एआई को पैमाने पर उत्पादन में डालने के बारे में शुरुआती बातचीत में से अधिकांश ने अच्छे शीघ्र इंजीनियरिंग की आवश्यकता पर ध्यान केंद्रित किया है – इस शक्तिशाली तकनीक के सही प्रश्न पूछने की क्षमता। हमें बताया गया है कि इस कौशल पर प्रौद्योगिकी टिका का हमारा सफल उपयोग है, निहितार्थ के साथ हम समस्या से बाहर अपना रास्ता किराए पर ले सकते हैं।

जबकि बिग टेक कंपनियों और एआई लैब्स जैसे संगठन शीघ्र इंजीनियरों को काम पर रखने में व्यस्त हैं, प्रॉम्प्ट इंजीनियरिंग पर बहुत अधिक जोर जीनई के शुरुआती दिनों से एक होल्डओवर है, जब टोकन लंबाई की सीमा, मॉडल व्यवहार quirks और मतिभ्रम से बचने के तरीके के साथ परिचित थे, गेंडा-सराय था। आज, “प्रॉम्प्ट इंजीनियरिंग” अक्सर एआई मॉडल को बेहतर, अधिक स्पष्ट निर्देश देने के लिए सिर्फ एक फैंसी नाम है।

और, जैसा कि ऊपर सचित्र है, यहां तक ​​कि एलएलएम प्रभावी संकेत लिखने में बहुत अच्छे हो रहे हैं।

सच्चाई यह है, शीघ्र इंजीनियरिंग महत्वपूर्ण है – लेकिन यहां तक ​​कि सबसे अच्छा संकेत भी नहीं कर सकता बिना चीर के जीनई की सीमाओं को दूर करें।

चीर क्या है – और यह क्यों मायने रखता है?

पुनर्प्राप्ति-संवर्धित पीढ़ी, या आरएजीएस, बाहरी संदर्भ के साथ जीनई मॉडल की आपूर्ति करना शामिल है-ध्यान से चयनित डेटा या सामग्री-अधिक सटीक, प्रासंगिक और लक्षित आउटपुट का उत्पादन करने के लिए।

Genai मॉडल के साथ सबसे बड़ी चुनौतियों में से एक यह है कि वे हमेशा एक प्रतिक्रिया प्रदान करेंगे, चाहे उन्हें सही संदर्भ या उच्च-गुणवत्ता वाले इनपुट मिले हों। पर्याप्त डेटा के बिना, वे अक्सर आश्वस्त करते हैं लेकिन गलत आउटपुट (मतिभ्रम) या जेनेरिक, ऑफ-ब्रांड परिणाम जो उद्देश्य के लिए फिट नहीं हैं। RAG सीधे इस समस्या को संबोधित करता है।

चीर को अपने सरलतम रूप में समझने के लिए, अपने Genai मॉडल को एक नए-आउट-ऑफ-स्कूल न्यू-हायर के रूप में सोचें-भारी क्षमता, कौशल और सामान्य ज्ञान के साथ एक संसाधन, लेकिन आपके व्यवसाय के विशिष्ट ज्ञान का अभाव है। आरएजीएस महत्वपूर्ण ऑनबोर्डिंग प्रक्रिया के रूप में कार्य करता है-सटीक संगठनात्मक संदर्भ, ब्रांड दिशानिर्देशों, नीतियों और, शायद सबसे गंभीर रूप से, लक्षित संसाधनों और संदर्भ जानकारी के साथ अपने एआई “न्यू-हायर” को समेटना। यह “ऑनबोर्डिंग” आपके “न्यू-हायर” बुनियादी क्षमताओं को सटीक, केंद्रित और ब्रांड-संरेखित आउटपुट में बदल देता है, जिससे आरएजी को व्यापार-महत्वपूर्ण परिणाम देने के लिए जीनई पर भरोसा करने वाले उद्यमों के लिए एक आवश्यक नींव बन जाती है।

यह सब डेटा से शुरू होता है

कुछ साल पहले, हमने सटीक, प्रासंगिक परिणाम प्राप्त करने का एकमात्र तरीका ग्रहण किया था, कस्टम मॉडल विकसित करना था। यह दृष्टिकोण, हालांकि, नाटकीय रूप से समय, जटिलता, लागत और विशेषज्ञता को कम करके आंका जाता है। आरएजी एक व्यवहार्य और लागत प्रभावी विकल्प का प्रतिनिधित्व करता है।

लेकिन पहले, आपको डेटा का एक अनुकूलित सेट होना चाहिए। पारंपरिक पाठ-आधारित विपणन उपयोग के मामलों के लिए, आपको मौजूदा विपणन सामग्री के एक संग्रह को क्यूरेट करना चाहिए जो आपके ब्रांड, स्वर की आवाज का सबसे अच्छा प्रतिनिधित्व करता है, और आप आमतौर पर विभिन्न प्रकार के संपार्श्विक और संचार की संरचना कैसे करते हैं। यह संदर्भ एक Genai मॉडल को आउटपुट परिणामों में सक्षम करेगा जिसमें न्यूनतम समीक्षा और मानव हस्तक्षेप की आवश्यकता होती है। हालांकि, यहां दो मुख्य चुनौतियां हैं:

1. RAG इनपुट डेटा को मशीन-पठनीय होना चाहिए। Genai मॉडल एकल-पृष्ठ सामग्री के साथ अच्छा प्रदर्शन करते हैं, लेकिन व्हाइटपैपर की तरह लंबे समय तक, अधिक जटिल दस्तावेजों के साथ संघर्ष करते हैं, जो आमतौर पर ग्राफिक्स, चित्र, चार्ट और शायद सारणीबद्ध डेटा भी एम्बेड करते हैं। आपको एक एलएलएम द्वारा अंतर्ग्रहण के लिए इन लंबे-फॉर्म दस्तावेजों को ठीक से तैयार करने की आवश्यकता है।
2. RAG डेटा को ठीक से क्वेरी होना चाहिए। चीर का एक बहुत शक्तिशाली पहलू प्रासंगिक डेटा का गतिशील “पुनर्प्राप्ति” है। हालांकि, आरएजी का प्रभावी उपयोग उस जानकारी को प्राप्त करने में सक्षम होने पर निर्भर करता है जिसे आप अपने मॉडल को खिलाना चाहते हैं – कुछ भी नहीं और कुछ भी कम नहीं।

संक्षेप में, चीर का सबसे अधिक लाभ उठाने के लिए, आपको ऐसे डेटा की आवश्यकता है जो अच्छी तरह से संरचित और अच्छी तरह से टैग दोनों हो।
इस आवश्यकता को संबोधित करने के लिए एक दृष्टिकोण को “सिमेंटिक लेयरिंग” कहा जाता है – एक दस्तावेज़ का एक सटीक, संरचित प्रतिनिधित्व, तालिकाओं के साथ पूरा, चार्ट और ग्राफिक्स के लिए डेटा अर्क, सारणीबद्ध डेटा और यहां तक ​​कि एम्बेडेड छवियों के विस्तृत विवरण। XML एक पसंदीदा प्रारूप है क्योंकि यह Genai मॉडल को समझना आसान है और दस्तावेज़ प्रश्नों के लिए व्यापक टैगिंग प्रदान करता है। एक शब्दार्थ परत का एक और लाभ यह है कि इसे कई उपयोग मामलों और जीनई अनुप्रयोगों में पुन: उपयोग किया जा सकता है।

जैसा कि मैंने अपने पिछले मार्टेक लेख में चर्चा की है, ग्राफिक्स, छवियों और अन्य डिजिटल परिसंपत्तियों के साथ काम करने से संबंधित कई सम्मोहक जीनई उपयोग के मामले भी हैं। आरएजी के लिए आवश्यकता यहाँ बहुत अधिक है-आपको सार्थक, संरचित डेटा के साथ अच्छी तरह से टैग किए गए इनपुट की आवश्यकता है जो आसानी से queried हो सकता है। उदाहरण के लिए, यदि आप अपने स्वयं के टैक्सोनॉमी या ऑन्कोलॉजी और अद्वितीय मेटाडेटा (जैसे उत्पाद आईडी, रंग योजनाओं, आदि) का उपयोग करते हुए परिसंपत्ति संवर्धन के लिए Genai का उपयोग करना चाहते हैं, तो आपको छवि सामग्री की सही पहचान करने और संबंधित मेटाडेटा उत्पन्न करने के लिए सही संदर्भ के साथ मॉडल प्रदान करने में सक्षम होना चाहिए।

मैं यह जोड़ूंगा कि वाणिज्यिक Genai मॉडल आम तौर पर सरल छवि विशेषताओं की पहचान कर सकते हैं – जैसे यह पहचानना कि एक छवि में लोग, एक टोपी या एक कार शामिल हैं – वे आमतौर पर बारीक ब्रांड सौंदर्यशास्त्र, सांस्कृतिक संदर्भ, टोन या भावनात्मक अनुनाद को कैप्चर करने में विफल होते हैं। विपणक और रचनात्मक पेशेवरों को बहुत अधिक कठोर, विस्तृत परिसंपत्ति मेटाडेटा की आवश्यकता होती है जो एक बहुत विशिष्ट दृष्टि और ब्रांड आवाज के साथ संरेखित होती है।

सीधे शब्दों में कहें, दृश्य परिसंपत्तियों के लिए राग कार्यान्वयन विचारशील क्यूरेशन की मांग करता है और छवियों और वीडियो के विस्तृत मेटाडेटा टैगिंग, दृश्य प्रशिक्षण डेटा और सावधानीपूर्वक प्रबंधन के पुनर्वित्त को सुनिश्चित करने के लिए कि क्रिएटिव रणनीतियों और ब्रांड मानकों को विकसित करने के साथ संरेखित बने रहें।

ध्यान देने के लिए Genai प्राप्त करना

चीर की शक्तिशाली विशेषताओं में से एक यह है कि पुनर्प्राप्ति (आरएजी में “आर”) गतिशील है, स्थैतिक नहीं। अपने RAG इनपुट को पॉप्युलेट करने के लिए, आप सबसे अधिक प्रासंगिक और अद्यतित जानकारी प्राप्त करने के लिए मापदंडों के दिए गए सेट के आधार पर एक गतिशील खोज चला रहे हैं।

हालांकि, अधिकांश Genai मॉडल के साथ एक कमतर मुद्दा सीमित संदर्भ विंडो है। मॉडल की सीमा (टोकन में मापा जाता है) की मात्रा पर वे एक समय में प्रक्रिया और समझ सकते हैं। इसे मॉडल की अल्पकालिक मेमोरी या वर्किंग मेमोरी के रूप में सोचें। एक बार जब आप संदर्भ विंडो से अधिक हो जाते हैं, तो एक मॉडल आउटपुट की गुणवत्ता को प्रभावित करते हुए, पहले के इनपुट का ट्रैक खोना शुरू कर देगा। इस सीमा के कारण, विपणक केवल सैकड़ों दस्तावेजों या हजारों छवियों को चीर के साथ एक मॉडल पर नहीं फेंक सकते हैं और यह वांछित परिणामों का उत्पादन करने की उम्मीद करते हैं।

डेटा तैयारी आपको पुनर्प्राप्ति के साथ अत्यधिक चयनात्मक होने में सक्षम बनाती है। कुछ एक दूसरे पर एक खोज तकनीक की श्रेष्ठता का तर्क दे सकते हैं, जैसे, ग्राफ वेक्टर (सिमेंटिक) खोज, या इसके विपरीत से बेहतर है। लेकिन मेरा मानना ​​है कि कोई भी तकनीक स्वाभाविक रूप से दूसरे से बेहतर नहीं है, और अक्सर, सबसे अच्छा परिणाम तकनीकों के संयोजन से आता है। भले ही, गुणवत्ता डेटा की तैयारी के बिना, कोई भी खोज बहुत सटीक नहीं होने जा रही है।

आरएजी के साथ प्रभावी होने के लिए, आपको जानकारी के एक बड़े सेट को क्वेरी करने में सक्षम होने की आवश्यकता है और मॉडल के लिए सही संदर्भ प्रदान करने के लिए केवल आवश्यक डेटा का चयन करें। यदि आप अपनी पुनर्प्राप्ति में चयनात्मक नहीं हो सकते हैं, तो आप संदर्भ विंडो (आमतौर पर 100,000-300,000 टोकन) से अधिक का जोखिम उठाते हैं या, इससे भी बदतर, आप मॉडल को गलत इनपुट और संदर्भ प्रदान करते हैं, और आपके परिणामों की गुणवत्ता ग्रस्त होती है। (संदर्भ के लिए, पाठ का एक पृष्ठ लगभग 400-500 टोकन है।)

Genai के सीमित संदर्भ विंडोज से निपटने का सबसे अच्छा तरीका एक अच्छी तरह से तैयार किए गए डेटा सेट के साथ शुरू करना है और बहुत सटीक होना है, आपकी पुनर्प्राप्ति के साथ बहुत लक्षित है।

बुद्धिमान एजेंटों के साथ लोड को हल्का करें

यदि यह सब एक भारी लिफ्ट की तरह लगता है, तो यह निश्चित रूप से हो सकता है। एक हालिया सर्वेक्षण में पाया गया कि नए जीनई ऐप्स/एजेंटों के निर्माण में बिताए गए समय का 50% तक डेटा तैयारी के लिए जिम्मेदार ठहराया गया था। हालांकि, आशा है। हाल ही में, लोगों ने डेटा की तैयारी को स्वचालित करने और सिमेंटिक लेयर्स बनाने के लिए LLMS और GENAI एजेंटों का लाभ उठाना शुरू कर दिया है।

एक साधारण प्रॉम्प्ट के साथ, एजेंटिक वर्कफ़्लोज़ स्वायत्त रूप से कार्य कर सकता है और किसी दिए गए कार्य या गतिविधि के लिए सर्वोत्तम प्रतिक्रिया उत्पन्न करने के लिए आवश्यक सटीक आरएजी इनपुट तक पहुंचने और प्राप्त करने के लिए विभिन्न उपकरणों और तकनीकों का उपयोग कर सकता है। यह दृष्टिकोण दो महत्वपूर्ण लाभ प्रदान करता है:

• यह गैर-तकनीकी उपयोगकर्ताओं को सक्षम बनाता हैविपणक और रचनात्मक पेशेवरों की तरह, परिष्कृत परियोजनाओं के लिए सहजता से जेनेरिक एआई का लाभ उठाने के लिए, नाटकीय रूप से जटिलता और सीखने की अवस्थाओं को कम करना।
• यह श्रम-गहन प्रक्रियाओं को स्वचालित करता हैजैसे डेटा की तैयारी, जीनई आउटपुट की गुणवत्ता में काफी सुधार और नए जीनई अनुप्रयोगों के लिए समय-से-मूल्य में तेजी लाना।

यह सब क्यों है, मेरे पिछले लेख में, मैंने यह बात कही कि जेनई “प्लग एंड प्ले” नहीं है – गहरी जटिलताएं हैं और चीर एक है। लेकिन ऐसे उपकरण और प्लेटफ़ॉर्म हैं जो इस यात्रा को तेज और आसान बनाते हैं, जो कि निहित लागत और जटिलताओं के बिना कस्टम जेनई ऐप और एजेंट बनाने में मदद करते हैं।

यह सुझाव देने के लिए नहीं है कि RAG कम से कम अभी के लिए पुश-बटन ब्रांड अभियानों के लिए तत्काल पहुंच देगा। लेकिन RAG मौजूदा विपणन परिसंपत्तियों को उन तरीकों से पुन: पेश करने का अवसर प्रस्तुत करता है जो बहुत कम प्रयास के लिए नया मूल्य बनाते हैं – और एक तरह से जो ब्रांड की पहचान और आवाज को बरकरार रखता है कि विपणक ने स्थापित करने के लिए इतनी मेहनत की है।

वर्टिसिया के साथ एजेंटिक चीर के बारे में अधिक जानें।

क्रिस मैकलॉघलिन द्वारा लिखित, वर्टेशिया में मुख्य विपणन अधिकारी