Retrieval-augmented generation (RAG), AI sisteminin əvvəlcə etibarlı sənədlər toplusunda axtarış apardığı və sonra tapdıqlarından istifadə edərək cavabını yazdığı bir metoddur. B2B marketinq komandaları üçün RAG məhsul vərəqlərini, nümunə araşdırmalarını, satış təqdimatlarını və dəstək məqalələrini köməkçinin istifadə edə biləcəyi bir mənbəyə çevirir, beləliklə qaralamalar və cavablar modelin ümumi bilikləri əvəzinə şirkət faktlarına əsaslanır.
RAG necə işləyir?
RAG sisteminin iki hissəsi var. Axtarış hissəsi sənədləri hissələrə bölür, onları embeddings adlanan rəqəmsal təsvirlərə çevirir və vektor verilənlər bazasında və ya axtarış indeksində saxlayır. Sual gəldikdə, ona ən uyğun olan hissələri tapır. Nəsil hissəsi isə bu hissələri sualla birlikdə dil modelinə ötürür və model onlar əsasında cavab yazır.
Bir çox sistemlər vektor axtarışını açar söz axtarışı ilə birləşdirir, çünki dəqiq məhsul kodları və ya adları açar sözlərlə daha etibarlı tapılır. Yaxşı sistemlər həm də istinadlar qaytarır, beləliklə istifadəçilər cümlənin hansı sənəddən gəldiyini yoxlaya bilərlər.
RAG B2B marketinq üçün niyə vacibdir?
B2B məhsulları adətən mürəkkəb, spesifik və tez-tez yenilənən olur. Ümumi model məhsulunuzun inteqrasiya siyahısını, qiymət səviyyələrinizi və ya keçən rübdəki nümunə araşdırmasının təfərrüatlarını bilmir. Əsaslandırma olmadan, o, boşluqları ağlabatan təxminlərlə doldurur.
RAG bu riski azaldır və AI-ni şirkət biliklərinə əsaslanan tapşırıqlar üçün faydalı edir. O, həmçinin marketoloqların düzgün slayd və ya məlumat vərəqini axtarmaq üçün paylaşılan disklərdə sərf etdikləri vaxtı azaldır.
Hansı B2B marketinq istifadə halları RAG üçün ən uyğundur?
Ən yaxşı istifadə halları dəqiq şirkət faktlarına ehtiyac duyur və tez-tez təkrarlanır. Başlanğıc siyahısı:
- Təsdiqlənmiş spesifikasiyalardan məhsul səhifələrinin və bir səhifəlik sənədlərin ilk versiyalarının hazırlanması
- Satış komandasının funksiyalar, inteqrasiyalar və rəqiblər haqqında suallarını cavablandırmaq
- Keçmiş təsdiqlənmiş cavablardan RFP və təhlükəsizlik sorğusu cavablarının yazılması
- Düzgün nümunə araşdırmalarına istinad edən e-poçt məzmununun yaradılması
- Alıcı suallarını sənədlərdən cavablandıran veb-sayt köməkçisinin gücləndirilməsi
- Müştəri müsahibələrinin xülasə edilməsi və mövzu üzrə sitatların çıxarılması
RFP cavabları ümumi bir ilk layihədir. Komandalar oxşar sualları təkrar-təkrar cavablandırır, keçmiş cavablar artıq mövcuddur və dəqiqlik vacibdir, bu da tam olaraq axtarışın kömək etdiyi yerdir.
İşləyən bir kitabça: RAG-ı necə quraşdırırsınız?
Quraşdırmanın koddan çox məzmunla əlaqəsi var. RAG layihələrindəki problemlərin çoxu qarışıq və ya köhnəlmiş mənbə materiallarından qaynaqlanır.
Addım 1: Mənbələri seçin və təmizləyin
Müəyyən edilmiş bir dəstlə başlayın: cari məhsul sənədləri, təsdiqlənmiş mesajlar, dərc edilmiş nümunə araşdırmaları və keçmiş RFP cavabları. Köhnəlmiş versiyaları silin. Əgər üç fərqli təqdimat qiymətləri fərqli təsvir edirsə, köməkçi də bunu edəcək.
Addım 2: Platforma seçin
Seçimlər kodsuzdan xüsusi həllərə qədər dəyişir. Bir çox komanda daxili funksiyalarla başlayır: ChatGPT-də xüsusi GPT-lər və ya layihələr, Claude Projects, Google NotebookLM və ya SharePoint-ə qoşulmuş Microsoft Copilot. Daha böyük komandalar Pinecone, Weaviate və ya pgvector kimi vektor verilənlər bazası ilə LangChain və ya LlamaIndex kimi çərçivələr üzərində qururlar. Məlumatın həssaslığına, həcminə və onu kimin saxlayacağına əsasən seçin.
Addım 3: Təlimatları yazın
Modelə yalnız əldə edilmiş məzmundan cavab verməyi, mənbələrə istinad etməyi və cavab tapa bilmədikdə bunu bildirməyi tapşırın. Ton və terminologiya üçün üslub qaydaları əlavə edin.
Addım 4: Real suallarla test edin
Satış, dəstək və marketinqdən 50-100 real sual toplayın. Onları işə salın, cavabları mənbə ilə yoxlayın və uğursuzluqları qeyd edin. Uğursuzluqların çoxu çatışmayan və ya ziddiyyətli sənədlərə gedib çıxacaq.
RAG hansı məlumat gigiyenasını tələb edir?
RAG keyfiyyəti təkcə işə salınma zamanı deyil, zaman keçdikcə sənəd keyfiyyətindən asılıdır. Mənbələrə sahiblər təyin edin və baxış tarixlərini təyin edin.
- Hər sənədə aydın bir sahib və “son baxış” tarixi verin
- İndekslənmiş qovluqda saxlamaq əvəzinə köhnə versiyaları arxivləşdirin
- Aydın başlıqlar və başlıqlardan istifadə edin, çünki axtarış yaxşı strukturlaşdırılmış mətndə daha yaxşı işləyir
- Müqavilə şərtləri kimi məxfi materialları geniş şəkildə paylaşılan indekslərdən kənarda saxlayın
- Əsas məhsul buraxılışlarından sonra yenidən indeksləşdirin
Giriş nəzarəti gigiyenanın bir hissəsidir. RAG köməkçisi istifadəçinin görməsinə icazə verilməyən sənədləri açmamalıdır. Müəssisə alətləri adətən mövcud icazələrə hörmət edir; xüsusi qurğular bunu açıq şəkildə tətbiq etməlidir.
RAG sistemini necə ölçürsünüz?
Həm cavab keyfiyyətini, həm də biznes effektini ölçün. Keyfiyyət üçün sabit suallar dəstini saxlayın və cavabları dəqiqlik, tamlıq və düzgün istinadlar üçün aylıq qiymətləndirin. Sistemin cavab verməkdən imtina etdiyi sualların payını izləyin, bu məzmundakı boşluqları göstərir.
Biznes effekti üçün, müəyyən tapşırıqlara qənaət edilən vaxtı, məsələn, RFP üçün saatları əvvəl və sonra, və nəzərdə tutulan komanda tərəfindən mənimsənilməsini ölçün. Heç kimin istifadə etmədiyi bir sistemin, nə qədər dəqiq olsa da, heç bir dəyəri yoxdur.
Alien Road RAG-ı B2B müştəriləri üçün necə tətbiq edir
Tipik bir əməkdaşlıqda agentlik məzmun inventarı ilə başlayır: məhsul, mesajlaşma və nümunə araşdırması sənədlərinin harada yerləşdiyi, hansı versiyaların cari olduğu və onlara kimin sahib olduğu. Bu, tez-tez hər hansı bir köməkçini çaşdıra biləcək ziddiyyətli sənədləri üzə çıxarır.
Quraşdırma adətən RFP cavabları və ya satış imkanları sualları kimi bir istifadə halı ilə başlayır. Komanda mənbə dəstini təmizləyir, müştərinin təhlükəsizlik ehtiyaclarına uyğun platforma seçir, təlimatlar yazır və satış komandası tərəfindən təqdim olunan real suallardan test dəsti qurur. Cavablar istinadları daxil etməlidir ki, istifadəçilər onları yoxlaya bilsinlər.
Hesabat aylıq aparılır: test dəstinin dəqiqliyi, imtina edilən suallar, komanda tərəfindən istifadə və hədəf tapşırıqda qənaət edilən vaxt. İmtina edilən suallar məzmun boşluğunu doldurur, beləliklə sistem istifadə edildikcə bilik bazası yaxşılaşır.
Hansı səhvlər RAG layihələrinin uğursuz olmasına səbəb olur?
Ümumi uğursuzluqlar proqnozlaşdırıla biləndir. Komandalar qaralamalar və köhnə qiymətlər daxil olmaqla paylaşılan sürücüdəki hər şeyi indeksləşdirir və köməkçi onlardan sitat gətirməyə başlayır. Və ya insanlar artıq istifadə etdikləri alətlərdən kənarda yaşadığı üçün heç kimin açmadığı ağıllı bir sistem qururlar.
- Kurasiya edilmiş, sahib olunan bir dəst əvəzinə hər faylı indeksləşdirmək
- Sənədləri kontekstin itirildiyi qədər kiçik hissələrə bölmək
- İstinadları atlamaq, beləliklə istifadəçilər cavabları yoxlaya bilmirlər
- Test dəsti olmadan işə salmaq, beləliklə keyfiyyət heç vaxt ölçülmür
- Köməkçini Slack, Teams və ya CRM əvəzinə ayrı bir tətbiqə yerləşdirmək
Bunları erkən düzəltmək az xərclə başa gəlir. İstifadəçilər etibarını itirdikdən sonra onları düzəltmək daha çox xərclə başa gəlir.
Bu həftə haradan başlamaq lazımdır
Satış komandanızdan marketinqə və ya məhsula ən çox göndərdikləri iyirmi sualı soruşun. Onları cavablandırmalı olan sənədləri toplayın və həmin sənədlərin cari və ardıcıl olub olmadığını yoxlayın.
Təmizlənmiş dəsti Claude Project, xüsusi GPT və ya NotebookLM kimi sadə bir alətə yükləyin və iyirmi sualı verin. Hansı cavabların səhv olduğunu və niyə olduğunu qeyd edin. Bu siyahı sizin ilk məzmun təmizləmə planınız və düzgün RAG quraşdırılması üçün başlanğıc nöqtəsidir.
Oxumağa davam edin: Süni intellekt optimallaşdırması · Süni intellekt optimallaşdırması