Ведь странные люди эти оптимизаторы. Когда их просишь объяснить, что, по их мнению, нельзя использовать алгоритмы в своей работе, они начинают надувать щеки и называть все матерством, от ответа уклоняются. Вы напомнили мне здесь известную личность, которая всегда обещает революцию в создании веб-сайтов. Мы ждали много лет…

Какое это имеет отношение к замене алгоритмов ранжирования ИИ? Что там будет, неизвестно. Чтобы написать LLM, нужны данные, которые невозможно найти нигде, кроме как в поисковых системах. Таким образом, веб-сайты будут существовать до тех пор, пока людям нужен Интернет. Как строится рейтинг – второй вопрос. Используя графовую базу данных, можно получить больше, чем просто ответ на вопрос — например, сколько было ссылок на ресурс, кто и когда его посещал. Он уже способен обнаруживать и отвергать мошеннические, манипулятивные ссылки. Как и в случае с транзакциями. Вы думаете, что система не сможет разработать рекламную стратегию, если она сможет обрабатывать такую ​​информацию на несколько порядков лучше, чем человек? Итак, вы признаете, что SEO — это своего рода магия, где нет правил для получения результатов. «Поэтому я решил, что так будет лучше для вашего сайта, и поверьте мне».
Но RAG может сделать именно то, что вы ожидаете от промоутера. Небольшая цитата от Nvida:
«

Генерация дополненной информации (RAG) — это метод повышения точности и надежности генеративных моделей ИИ с использованием фактов, извлеченных из внешних источников.

Другими словами, это заполняет пробел в том, как работают LLM. По своей сути LLM представляют собой нейронные сети, обычно измеряемые количеством содержащихся в них параметров. Размеры LLM по сути представляют собой общие закономерности того, как люди используют слова для формирования предложений.

Генерация расширенного поиска предоставляет источники моделей, на которые можно ссылаться, например сноски в исследовательской статье, поэтому пользователи могут проверить любые утверждения. Это создает доверие.

Кроме того, этот метод может помочь моделям четко определить запрос пользователя. Это также снижает вероятность того, что модель сделает неправильное предположение — явление, которое иногда называют галлюцинацией.

Еще одним важным преимуществом RAG является его относительная простота. Льюис и трое соавторов статьи утверждают, что разработчики могут реализовать этот процесс всего за несколько кликов. пять строк кода.

Это делает метод более быстрым и экономичным, чем переобучение модели с использованием дополнительных наборов данных. И это позволяет пользователям заменять новые источники на лету.

«

Каково ваше возражение?