Baidu, et førende AI-selskab, fremhæver vigtigheden af en afbalanceret tilgang inden for kunstig intelligens, der kan producere gyldige og hurtige svar. Retrieval-augmented generation (RAG), som indebærer, at en sprogmodel sender en anmodning til en ekstern datakilde for autoritativ information, vinder frem som en afgørende teknologi i kampen mellem store sprogmodeller (LLMs). RAG hjælper med at reducere falske påstande eller "hallucinationer" fra LLMs. Kommercielle leverandører som Elastic og Pinecone udvikler programmer, der tillader virksomheder at forbinde til databaser og hente præcise svar. Brugen af RAG forventes at blive almindelig i alle AI-modeller og kræver en tæt integration mellem generativ AI-træning og RAG-teknikker.

Udfordringer som modsatrettede oplysninger og begrænset håndtering af kontekst skal dog addresses i LLM-designs. Forskere studerer fejltilfælde og foreslår træningsmetoder som f. eks. INFO-RAG for at forbedre LLM-præcisionen med RAG-data. RAG præsenterer også et alternativ til finindstilling og funktionsmetoder, der potentielt kan guide LLM-udviklingen hen imod mindre modeller. Vejen frem indebærer en tilpasning af AI-modeller til effektivt at inkorporere RAG-baseret viden og skabe RAG-bevidste LLMs, der er tilpasset specifikke domæner eller virksomheder.