# RAG: O que é Retrieval Augmented Generation

RAG, Retrieval-Augmented Generation ou, em português, Geração Aumentada de Recuperação, é uma tecnologia que aprimora modelos de linguagem generativa ao **resgatar informações relevantes de fontes de dados internas e externas**. Ao fazer isso, ela consegue fornecer respostas mais precisas e contextualmente relevantes. Conheça as vantagens da RAG e descubra se ela pode ser interessante para a sua empresa.

## O que é Retrieval-Augmented Generation?

Retrieval-Augmented Generation é uma **tecnologia capaz de otimizar resultados apresentados por modelos de linguagem de grande escala (LLM)**. Em linhas gerais, a RAG funciona da seguinte maneira: em resposta a uma solicitação de um usuário, o sistema que a utiliza inicialmente realiza pesquisas em grandes quantidades de dados, para encontrar informações relevantes. Entre essas fontes estão bancos de dados internos e externos, a internet e outros. Após reunir os dados apropriados, o sistema utiliza algoritmos avançados para gerar uma resposta compreensível e precisa, a partir desses dados encontrados.

Modelos de linguagem de grande escala são essenciais para o desenvolvimento da inteligência artificial (IA), especialmente da voltada a [chatbots](https://www.ionos.com/digitalguide/online-marketing/online-sales/how-chatbots-are-revolutionizing-online-marketing/ "Como chatbots estão revolucionando o marketing digital"), robôs de bate-papo inteligentes que utilizam aplicações de [processamento de linguagem natural](https://www.ionos.com/digitalguide/online-marketing/online-sales/how-does-natural-language-processing-work/ "Como funciona o processamento de linguagem natural") (*natural language processing*: NLP). O principal objetivo desse modelo de linguagem é criar bots capazes de responder, de maneira precisa, perguntas de usuários dos mais diferentes contextos. Para tanto, eles devem acessar **fontes de informação confiáveis**.

Apesar do alto desempenho que registram, LLMs também enfrentam alguns desafios. Por exemplo, eles podem fornecer **respostas incorretas** quando não encontram informações adequadas o suficiente para a resposta. Além disso, como aprendem com o grande volume de texto da internet e de outras fontes, eles frequentemente assimilam preconceitos e estereótipos contidos nesses dados. Ainda, os dados que os treinam são coletados em momentos específicos, o que significa que o conhecimento desses modelos se limita a um período de tempo, não sendo atualizado automaticamente. O fato pode levar à geração de respostas aos usuários com **informações desatualizadas**.

Ao combinar RAG e LLMs, tais limitações podem ser superadas. A Retrieval-Augmented Generation é capaz de **complementar a capacidade de LLMs**, encontrando e processando informações atuais e relevantes, e gerando respostas mais precisas e confiáveis.

## Como funciona a Retrieval-Augmented Generation?

A RAG funciona em várias etapas para conseguir fornecer respostas precisas e úteis. A seguir, explicaremos o passo a passo de seus processos:

### Preparar base de conhecimento

O primeiro passo realizado pela RAG consiste na preparação de uma **coleção abrangente de textos, conjuntos de dados, documentos e outras fontes de informação**. Essa coleção servirá de base de conhecimento para a busca de informações relevantes, juntamente com o conjunto de dados de treinamento do próprio LLM. Entre as fontes de dados possíveis podem estar bancos de dados, repositórios de documentos e outras fontes externas.

Nota A eficácia de um sistema com Retrieval-Augmented Generation dependerá fortemente da qualidade e da disponibilidade dos dados que ele acessa. Dados incompletos ou incorretos, portanto, podem comprometer os resultados apresentados.

### Incorporar bancos de dados vetoriais (*embed*)

Aspecto importante da Retrieval-Augmented Generation é o uso que ela faz de incorporações (*embeddings*): **representações numéricas de informações** que permitem que modelos de linguagem encontrem objetos semelhantes. Por exemplo, um modelo que utiliza *embeddings* é capaz de encontrar uma foto ou documento similar, com base em significados semânticos. *Embeddings* são armazenados em [bancos de dados vetoriais](https://www.ionos.com/pt-br/digitalguide/servidor/conhecimento/banco-de-dados-vetorial/) que podem ser pesquisados e compreendidos, de forma eficiente e rápida, por modelos de inteligência artificial. Para garantir que as informações acessadas estejam sempre atualizadas, é importante que se atualize regularmente os documentos, e que se ajuste as representações vetoriais quando necessário.

### Consultar informações relevantes (*retrieve*)

Quando uma solicitação de usuário é feita, ela é inicialmente convertida em representação vetorial e **comparada com os bancos de dados vetoriais disponíveis**. O banco de dados vetorial busca os vetores que são mais semelhantes à solicitação.

### Expandir o prompt (*augment*)

Informações recuperadas são inseridas no contexto da solicitação original, por meio de técnicas de engenharia de prompt. Um prompt expandido é gerado, que inclui tanto a pergunta original quanto os dados relevantes. O processo permite que o LLM gere uma resposta mais precisa e informativa.

Definição Técnicas de engenharia de prompt são métodos e estratégias para a criação e a otimização de prompts para modelos de linguagem de grande escala. Essas técnicas envolvem a formulação e a estruturação cuidadosa de prompts, para a obtenção das respostas e reações desejadas.

### Gerar resposta (*generate*)

Após a Retrieval-Augmented Generation encontrar as informações relevantes, ela seguirá para a geração da resposta. A tecnologia utiliza as informações encontradas para **gerar uma resposta em linguagem natural**, empregando técnicas de processamento de linguagem natural, como o GPT-3, e traduzindo os dados para a nossa linguagem.

Definição GPTs (*Generative Pre-trained Transformers*) são baseados na arquitetura de transformação, sendo treinados para entenderem e gerarem respostas na linguagem humana. Primeiramente, o modelo é treinado com grandes quantidades de dados de texto (*pre-training*) e posteriormente ajustado para executar tarefas específicas (*fine-tuning*).

[![Imagem: Gráfico apresenta os processos básicos da RAG: Retrieval-Augmented Generation](https://www.ionos.com/pt-br/digitalguide/fileadmin/_processed_/9/f/csm_grafico-rag-retrieval-aumented-generation_e18aa0e86c.webp "Gráfico apresenta os processos básicos da RAG: Retrieval-Augmented Generation")](https://www.ionos.com/pt-br/digitalguide/fileadmin/DigitalGuide/Schaubilder/grafico-rag-retrieval-aumented-generation.png) Este gráfico ilustra o funcionamento da RAG: Retrieval-Augmented Generation ## Vantagens da Retrieval-Augmented Generation

Implementar a Retrieval-Augmented Generation em empresas oferece diferentes benefícios, entre eles:

### Aumento da eficiência

Tempo é dinheiro, especialmente para empresas com recursos limitados. Já que a RAG é **mais eficiente que grandes modelos generativos**, ela reduz a quantidade de informações a serem processadas na fase de geração. Isso ocorre porque, na primeira fase, ela seleciona apenas os dados mais relevantes.

### Redução dos custos

A implementação da Retrieval-Augmented Generation também pode levar a economias significativas. Ao automatizar tarefas rotineiras e reduzir a necessidade de pesquisas manuais, a tecnologia reduz custos com pessoal e ainda melhora a qualidade dos resultados obtidos. O **custo de implementação da RAG** também é menor do que o custo dos treinamentos de atualização de modelos de linguagem de grande escala.

### Fornecimento de informações atualizadas

A Retrieval-Augmented Generation é capaz de fornecer **informações sempre atualizadas**, uma vez que ela conecta o LLM utilizado a feeds em tempo real de mídias sociais, a sites de notícias e a outras fontes constantemente atualizadas. Isso vai garantir que você receba sempre as informações mais atualizadas e relevantes.

### Respostas rápidas a adaptadas ao mercado

Empresas que **respondem mais precisa e rapidamente a mudanças de mercado e a necessidades de clientes** têm maiores chances de se destacarem da concorrência. Ao conseguirem acessar informações relevantes com rapidez, além de atenderem clientes proativamente, empresas acabam se destacando das demais.

### Oportunidades de desenvolvimento e teste

Ao controlar e ajustar as fontes de informação do LLM adotado, você poderá adaptar o seu sistema de forma flexível, às demandas em constante mudança e a uma utilização mais interfuncional. Além disso, será possível que você restrinja acessos a informações confidenciais configurando diferentes níveis de autorização. Isso garantirá que o modelo de linguagem de grande escala gere somente respostas apropriadas. Em casos de respostas incorretas, a RAG atua na correção de erros, especificamente quando o LLM baseia seus resultados em fontes de informação imprecisas.

## Áreas de aplicação da Retrieval-Augmented Generation

A RAG pode ser utilizada para otimizar processos em diversas áreas dos negócios:

- **Para melhorar o atendimento ao cliente:** Em se tratando de atendimento ao cliente, a emissão de respostas rápidas e precisas é fundamental. A RAG pode ajudar no aprimoramento do atendimento ao cliente ao recuperar informações relevantes de uma vasta base de conhecimento e fornecer respostas imediatas, por meio de [*live chats*](https://www.ionos.com/digitalguide/websites/website-creation/live-chat-the-modern-support-solution/), sem que o cliente tenha de esperar. Isso não só alivia a equipe de suporte como aumenta a [satisfação do cliente](https://www.ionos.com/digitalguide/startup/grow-your-business/customer-satisfaction/ "Satisfação do cliente").
- **Na gestão do conhecimento:** A RAG oferece apoio à gestão do conhecimento, por permitir que funcionários acessem informações relevantes com rapidez, sem que precisem realizar buscas em inúmeros arquivos.
- **Na integração de novos funcionários:** Novos funcionários conseguirão se integrar mais rapidamente ao obterem acesso facilitado a todas as informações relevantes sobre a empresa. Seja manuais técnicos, de treinamento ou diretrizes internas, a RAG facilita a busca, o encontro e o uso de informações relevantes.
- **Na criação de conteúdo:** A Retrieval-Augmented Generation pode auxiliar processos de criação de posts, artigos de blogs, descrições de produtos e outros conteúdos, combinando sua capacidade de geração de texto com a recuperação de informações de fontes confiáveis, tanto internas quanto externas.
- **Em pesquisas de mercado:** A RAG pode ser utilizada para a realização de pesquisas de mercado, ao recuperar dados e tendências relevantes. As informações por ela coletadas podem facilitar a análise e a compreensão dos movimentos do mercado, assim como do comportamento dos clientes.
- **Na produção:** Na produção, a Retrieval-Augmented Generation pode ser usada na previsão do consumo e no planejamento automatizado de pessoal, ambos baseados em estatísticas passadas. Nesse sentido, ela ajuda a utilizar recursos de forma mais eficiente e a otimizar a organização da produção.
- **Na venda de produtos:** A RAG pode aumentar o índice de vendas ao ajudar vendedores a acessar informações relevantes sobre produtos com rapidez.


This is a markdown version of: [https://www.ionos.com/pt-br/digitalguide/servidor/conhecimento/retrieval-augmented-generation/](https://www.ionos.com/pt-br/digitalguide/servidor/conhecimento/retrieval-augmented-generation/) for AI/LLM consumption.