GenAI作為一種界面提供了巨大的潛力，使用戶能夠以獨特的方式查詢你的數據，以接收針對他們的需求的答案，例如，作為查詢助手，GenAI工具可以幫助客戶使用簡單的問答格式更好地導航廣泛的產品知識庫。

但在使用GenAI回答有關數據的問題之前，重要的是首先評估所提出的問題。

這是Miso.ai的首席執行官兼聯合創始人Lucky Gunasekara對當今開發GenAI工具的團隊的建議。

出于對Miso.ai的產品Smart Answers如何展現其洞察力的興趣，我要求Gunasekara更深入地討論Miso.ai理解和回答用戶問題的方法。

大型語言模型“實際上比我們想象的要幼稚得多”，Gunasekara說，例如，如果被問到一個有強烈觀點的問題，大語言模型很可能會去尋找證實這個觀點的精挑細選的數據，即使現有的數據表明這個觀點是錯誤的。因此，如果被問到“為什么項目X失敗了?”，大語言模型可能會列出一個項目失敗的原因清單——即使它是成功的，而這不是你想要的一個面向公眾的應用程序所做的事情。

Gunasekara指出，在所謂的RAG(檢索增強生成)應用程序中，評估問題是一個典型的遺漏步驟，RAG應用程序將大語言模型指向特定的數據體，并告訴它僅根據該數據回答問題。

這類應用程序通常遵循以下(稍微簡化的)設置模式：

• 將現有數據拆分成塊，因為所有數據都太大，無法放入單個大語言模型查詢中。
• 為每個塊生成所謂的嵌入，將該塊的語義表示為一串數字，并存儲它們，在數據更改時根據需要進行更新。

然后是每一個問題：

• 生成嵌入。
• 使用基于嵌入的計算，找出在含義上與問題最相似的文本塊。
• 將用戶的問題輸入大語言模型，并告訴它只根據最相關的塊來回答。

這就是Gunasekara的團隊采取不同方法的地方，他們增加了一個步驟，在搜索相關信息之前檢查問題。“我們不會直接問這個問題，而是首先問這個假設是否正確”， Miso的首席技術官兼聯合創始人Andy Hsieh解釋說。

除了檢查問題中固有的假設外，還有其他方法來加強基本的RAG管道，以幫助改進結果。Gunasekara建議超越基礎，特別是在從實驗階段轉向值得生產的解決方案時。

Gunasekara說：“有很多人強調‘建立一個矢量數據庫，做一個RAG設置，一切都會開箱即用’，這是一種很好的概念驗證方式，但如果你需要做一項不會產生意想不到的后果的企業級服務，那永遠是上下文、上下文、上下文”。

這可能意味著除了使用文本的語義之外，還可以使用其他信號，如新近和流行。Gunasekara指出了Miso正在與一個烹飪網站合作的另一個項目，該項目解構了這個問題：“派對上最好的烘焙蛋糕是什么?”

他說，你需要區分出你真正需要什么信號來進行查詢。“Make-Advance”蛋糕的意思是不需要馬上端上，“for a party”的意思是它需要為不止幾個人服務，還有一個問題是，大語言模型如何確定哪些食譜是“最好的”，這可能意味著使用其他網站數據，比如哪些食譜擁有最高的流量、最高的讀者排名，或者被授予編輯的選擇——所有這些都與查找和匯總相關文本塊分開。

Gunasekara說：“把這些事情做好的許多竅門更多地體現在這些背景線索中”。

雖然大語言模型的質量是另一個重要因素，但Miso認為沒有必要使用最高評級和最昂貴的商業大語言模型，相反，Miso正在為一些客戶項目微調基于Llama 2的模型，這在一定程度上是為了降低成本，也是因為一些客戶不希望他們的數據泄露給第三方，Miso之所以這么做，也是因為Gunasekara所說的“開源大語言模型現在正在涌現一股巨大的力量”。

“開源真的在迎頭趕上”，Hsieh補充道，“開源模型非常可能會超越GPT-4”。