Det korte svar
RAG tilfører relevant viden ved at hente indhold til det aktuelle spørgsmål. Fine-tuning tilpasser modellens adfærd med træningseksempler. Start med at afgøre, om fejlen skyldes manglende viden, uklare instruktioner eller et ustabilt opgavemønster.
Find årsagen til de dårlige svar
Hvis assistenten bruger en gammel prisliste, er problemet først og fremmest kilden. Hvis den finder den rigtige prisliste, men svarer i et forkert format, handler problemet mere om instruktion og outputkontrol. Løsningerne bør ikke vælges, før I har undersøgt denne forskel.
Saml fem til ti konkrete fejlsvar og undersøg dem enkeltvis. Hvilken oplysning manglede? Var den relevante passage tilgængelig? Var svaret faktuelt forkert eller blot uegnet til arbejdsgangen? Denne analyse kan spare et større tilpasningsprojekt.
Sammenlign de tre almindelige greb
Microsoft beskriver RAG som en vej til privat eller hyppigt skiftende viden og fine-tuning som et greb til adfærd og opgavepræstation. I praksis bør enklere instruktioner og test også indgå i vurderingen. Metoderne kan kombineres, men hver ekstra del skal have et tydeligt formål.
| Problem | Undersøg først | Kontrollér bagefter |
|---|---|---|
| Svaret mangler aktuel dokumentviden | RAG og kildekvalitet | Finder søgningen den rigtige passage? |
| Svaret har forkert struktur | Instruktion, eksempler og validering | Overholder output den aftalte form? |
| Et stabilt mønster læres dårligt | Fine-tuning efter baseline-test | Forbedres resultatet på nye eksempler? |
Eksempel: virksomhedens produktmanualer
En serviceassistent skal besvare spørgsmål om manualer, som ændres løbende. Det er naturligt at undersøge dokumentopslag med versioner og adgangskontrol. Hvis en manual opdateres, skal søgegrundlaget kunne opdateres, uden at I først opbygger et nyt træningsdatasæt.
Hvis samme assistent konsekvent skal omsætte svar til en særlig klassifikation, kan instruktioner og eksempler være næste trin. Fine-tuning kan undersøges, hvis dokumenteret test viser, at dette ikke er tilstrækkeligt. Den bør ikke bruges som genvej uden en måde at måle forbedringen på.
Vurder dataarbejdet og den løbende opgave
RAG kræver vedligehold af dokumenter, søgning og rettigheder. Fine-tuning kræver egnede eksempler, konsistent mærkning og evaluering på materiale, som ikke indgår i træningen. Begge veje kræver kontrol i drift.
Sæt en enkel baseline op, og sammenlign forbedringer på samme testsæt. Dokumentér kvalitet, svartid og omkostning. Vælg det greb, som løser den observerede fejl; tilføj ikke flere komponenter, fordi en bestemt teknik lyder mere avanceret.
Brug det i praksis
Jeres næste skridt
- Sortér fejlsvar efter viden, forståelse og outputformat.
- Afprøv tydeligere instruktioner som baseline.
- Vurdér hvor ofte kilderne ændres.
- Undersøg adgang og kvalitet i dokument- eller træningsdata.
- Mål forbedringen på nye, tilbageholdte eksempler.
Ofte stillede spørgsmål
Kan RAG og fine-tuning kombineres?+
Ja. De løser forskellige problemer. Kombinationen bør dog begrundes i konkrete testresultater og et klart driftsansvar.
Er fine-tuning en erstatning for en database?+
Nej. Aktuelle beholdninger, priser og ordrestatus bør hentes fra relevante systemer og kontrolleres ved brug.
Hvad bør en mindre virksomhed starte med?+
En afgrænset opgave, klare instruktioner og et testsæt. Tilføj dokumentopslag eller anden tilpasning, når et konkret behov er påvist.
Kilder og faglig baggrund
De praktiske eksempler og tjeklister er udarbejdet til denne guide. Følgende kilder uddyber de angivne faglige begreber.
Baggrund for forskellen mellem aktuel viden via RAG og adfærdstilpasning via fine-tuning.
Begreber i guiden
Fra guiden til jeres arbejdsgang
Brug et afgrænset pilotforløb til at teste metoden på jeres data og undtagelser.
Udgivet af Norstream med AI-assisteret udarbejdelse. Eksempler er illustrative, medmindre andet er angivet. Tilpas metoder og kontroller til jeres systemer og faglige ansvar.
Har du en rettelse eller et spørgsmål?