পুনরুদ্ধার-অগমেন্টেড জেনারেশন এবং আরএজি ওয়ার্কফ্লোস

ভূমিকা

পুনরুদ্ধার অগমেন্টেড জেনারেশন, বা RAG হল এমন একটি প্রক্রিয়া যা GPT-এর মতো বৃহৎ ভাষা মডেলগুলিকে (LLMs) আরও দরকারী এবং জ্ঞানসম্পন্ন হতে সাহায্য করে দরকারী ডেটার স্টোর থেকে তথ্য সংগ্রহ করে, অনেকটা লাইব্রেরি থেকে একটি বই আনার মতো। সহজ এআই ওয়ার্কফ্লোগুলির সাথে কীভাবে RAG জাদু তৈরি করে তা এখানে:

• জ্ঞানের ভিত্তি (ইনপুট): এটিকে দরকারী জিনিসপত্রে পূর্ণ একটি বড় লাইব্রেরি হিসেবে ভাবুন—FAQs, ম্যানুয়াল, নথি, ইত্যাদি। যখন একটি প্রশ্ন আসে, তখন সিস্টেমটি উত্তর খোঁজে।
• ট্রিগার/কোয়েরি (ইনপুট): এই শুরু বিন্দু. সাধারণত, এটি একটি প্রশ্ন বা ব্যবহারকারীর কাছ থেকে একটি অনুরোধ যা সিস্টেমকে বলে, "আরে, আমার আপনাকে কিছু করতে হবে!"
• টাস্ক/অ্যাকশন (আউটপুট): একবার সিস্টেম ট্রিগার পায়, এটি কর্মে swings. যদি এটি একটি প্রশ্ন হয়, এটি একটি উত্তর খনন করে। যদি এটি কিছু করার অনুরোধ করা হয় তবে এটি সেই জিনিসটি সম্পন্ন করে।

এখন, আসুন আরএজি প্রক্রিয়াটিকে সহজ ধাপে ভেঙে দেওয়া যাক:

1. উদ্ধার: প্রথমত, যখন কোনো প্রশ্ন বা অনুরোধ আসে, তখন প্রাসঙ্গিক তথ্য খোঁজার জন্য RAG নলেজ বেসের মাধ্যমে স্ক্রুর করে।
2. বৃদ্ধি: এর পরে, এটি এই তথ্যটি নেয় এবং এটিকে মূল প্রশ্ন বা অনুরোধের সাথে মিশ্রিত করে। এটি সিস্টেমটি সম্পূর্ণরূপে বুঝতে পারছে তা নিশ্চিত করার জন্য মৌলিক অনুরোধে আরও বিশদ যোগ করার মতো।
3. প্রজন্ম: সবশেষে, এই সমস্ত সমৃদ্ধ তথ্য হাতে রেখে, এটি এটিকে একটি বৃহৎ ভাষার মডেলে ফিড করে যা তারপরে একটি সুপরিচিত প্রতিক্রিয়া তৈরি করে বা প্রয়োজনীয় ক্রিয়া সম্পাদন করে।

সুতরাং, সংক্ষেপে, RAG হল একজন স্মার্ট সহকারীর মতো যেটি প্রথমে দরকারী তথ্য খোঁজে, এটিকে হাতের প্রশ্নের সাথে মিশ্রিত করে এবং তারপর হয় একটি সুসংহত উত্তর দেয় বা প্রয়োজন অনুসারে একটি কাজ সম্পাদন করে। এইভাবে, RAG-এর সাহায্যে, আপনার AI সিস্টেম শুধু অন্ধকারে শুটিং করছে না; এটি থেকে কাজ করার জন্য তথ্যের একটি শক্ত ভিত্তি রয়েছে, এটিকে আরও নির্ভরযোগ্য এবং সহায়ক করে তোলে।

তারা কি সমস্যা সমাধান করে?

জ্ঞান ব্যবধান পূরণ

জেনারেটিভ এআই, এলএলএম দ্বারা চালিত, এটি প্রশিক্ষিত বিপুল পরিমাণ ডেটার উপর ভিত্তি করে পাঠ্য প্রতিক্রিয়া তৈরিতে দক্ষ। যদিও এই প্রশিক্ষণটি পঠনযোগ্য এবং বিস্তারিত পাঠ্য তৈরি করতে সক্ষম করে, প্রশিক্ষণের ডেটার স্থির প্রকৃতি একটি গুরুত্বপূর্ণ সীমাবদ্ধতা। মডেলের মধ্যে থাকা তথ্য সময়ের সাথে সাথে পুরানো হয়ে যায় এবং একটি কর্পোরেট চ্যাটবটের মতো একটি গতিশীল পরিস্থিতিতে, রিয়েল-টাইম বা সংস্থা-নির্দিষ্ট ডেটার অনুপস্থিতি ভুল বা বিভ্রান্তিকর প্রতিক্রিয়ার দিকে নিয়ে যেতে পারে। এই দৃশ্যটি ক্ষতিকারক কারণ এটি প্রযুক্তির প্রতি ব্যবহারকারীর আস্থাকে ক্ষুন্ন করে, বিশেষ করে গ্রাহক-কেন্দ্রিক বা মিশন-সমালোচনামূলক অ্যাপ্লিকেশনগুলিতে একটি উল্লেখযোগ্য চ্যালেঞ্জ তৈরি করে।

RAG সমাধান

RAG অন্তর্নিহিত মডেল পরিবর্তন না করে রিয়েল-টাইম, টার্গেটেড তথ্য পুনরুদ্ধার সহ LLM-এর জেনারেটিভ ক্ষমতাগুলিকে মেলড করে উদ্ধারে আসে। এই ফিউশনটি AI সিস্টেমকে এমন প্রতিক্রিয়া প্রদান করতে দেয় যা কেবলমাত্র প্রাসঙ্গিকভাবে উপযুক্ত নয়, সবচেয়ে বর্তমান ডেটার উপর ভিত্তি করেও। উদাহরণস্বরূপ, একটি স্পোর্টস লিগের দৃশ্যে, যখন একটি LLM খেলা বা দল সম্পর্কে জেনেরিক তথ্য সরবরাহ করতে পারে, তখন RAG AI কে ক্ষমতা দেয় সাম্প্রতিক গেম বা খেলোয়াড়ের ইনজুরি সম্পর্কে ডেটাবেস, নিউজ ফিড বা বাহ্যিক ডেটা উত্সগুলি অ্যাক্সেস করার মাধ্যমে রিয়েল-টাইম আপডেট দেওয়ার জন্য। এমনকি লীগের নিজস্ব ডেটা ভান্ডারও।

ডেটা যা আপ টু ডেট থাকে

RAG-এর সারমর্ম হল তাজা, ডোমেন-নির্দিষ্ট ডেটা সহ LLM-কে বাড়ানোর ক্ষমতা। আরএজি-তে জ্ঞান ভান্ডারের ক্রমাগত আপডেট করা একটি সাশ্রয়ী উপায় যা জেনারেটিভ এআই বর্তমান থাকে তা নিশ্চিত করার জন্য। অধিকন্তু, এটি প্রেক্ষাপটের একটি স্তর সরবরাহ করে যা একটি সাধারণীকৃত এলএলএম-এর অভাব রয়েছে, যার ফলে প্রতিক্রিয়াগুলির গুণমান উন্নত হয়। RAG-এর জ্ঞান ভান্ডারের মধ্যে ভুল তথ্য শনাক্ত করার, সংশোধন করার বা মুছে ফেলার ক্ষমতা আরও সঠিক তথ্য পুনরুদ্ধারের জন্য একটি স্ব-সংশোধন প্রক্রিয়া নিশ্চিত করে, এর আবেদনকে আরও বাড়িয়ে তোলে।

RAG কর্মপ্রবাহের উদাহরণ

কৃত্রিম বুদ্ধিমত্তার ক্রমবর্ধমান পরিমণ্ডলে, পুনরুদ্ধার-অগমেন্টেড জেনারেশন (RAG) লার্জ ল্যাঙ্গুয়েজ মডেলের (LLMs) সক্ষমতা উল্লেখযোগ্যভাবে বৃদ্ধি করে বিভিন্ন ব্যবসায়িক ক্ষেত্রে যথেষ্ট প্রভাব ফেলছে। কিভাবে RAG ওয়ার্কফ্লো স্বয়ংক্রিয় কাজগুলি করে তা বোঝার জন্য আসুন কয়েকটি উদাহরণ দেখি -

1. অভ্যন্তরীণ দল জ্ঞান পুনরুদ্ধার এবং ভাগ করা:
   1. দৃশ্যপট: বিভিন্ন প্রকল্পের পোর্টফোলিও সহ একটি বহুজাতিক কর্পোরেশন প্রায়শই তার দল জুড়ে দক্ষতার সাথে জ্ঞান এবং অন্তর্দৃষ্টি ভাগ করে নেওয়ার ক্ষেত্রে চ্যালেঞ্জের মুখোমুখি হয়। এটি উপশম করার জন্য, কোম্পানি অভ্যন্তরীণ জ্ঞান পুনরুদ্ধার এবং ভাগ করে নেওয়ার জন্য একটি RAG-বর্ধিত প্ল্যাটফর্ম প্রয়োগ করে।
   2. কর্মধারা:
      1. উদ্ধার:
         1. উদাহরণ ক্যোয়ারী: একজন প্রজেক্ট ম্যানেজার জিজ্ঞাসা করেন, "আমরা কি গত তিন বছরে পুনর্নবীকরণযোগ্য শক্তি সম্পর্কিত কোন প্রকল্পে কাজ করেছি?"
         2. RAG মেকানিজম অবিলম্বে অভ্যন্তরীণ ডাটাবেস, অতীতের প্রকল্প প্রতিবেদন এবং অন্যান্য প্রাসঙ্গিক সংগ্রহস্থলগুলির মাধ্যমে নির্দিষ্ট সময়ের মধ্যে নবায়নযোগ্য শক্তি প্রকল্পে কোম্পানির জড়িত থাকার তথ্য পুনরুদ্ধার করে।
      2. বৃদ্ধি:
         1. পুনরুদ্ধার করা ডেটা প্রকল্পের শিরোনাম, মূল কর্মী, চূড়ান্ত বিতরণযোগ্য এবং প্রতিটি প্রকল্পের ফলাফল অন্তর্ভুক্ত করে।
         2. এটি কোনও প্রাসঙ্গিক যোগাযোগ, উপস্থাপনা বা নথিগুলির লিঙ্কও আনতে পারে যা এই প্রকল্পগুলির সময় অভ্যন্তরীণভাবে ভাগ করা হয়েছিল৷
      3. প্রজন্ম:
         1. উদাহরণ উত্তর: সিস্টেমটি একটি ব্যাপক প্রতিক্রিয়া তৈরি করে:
            “হ্যাঁ, গত তিন বছরে, আমরা তিনটি বড় নবায়নযোগ্য শক্তি প্রকল্পে নিযুক্ত হয়েছি। প্রজেক্ট 'সোলার ইনোভেশনস' সাসটেইনেবিলিটি টিমের সারাহ জনসন নেতৃত্বে ছিলেন এবং 2021 সালের ডিসেম্বরে একটি সৌর-চালিত চার্জিং স্টেশন প্রোটোটাইপ তৈরির মাধ্যমে শেষ হয়। মার্ক ডি'সুজার নেতৃত্বে প্রজেক্ট 'উইন্ড এনার্জি এফিসিয়েন্সি', যার লক্ষ্য ছিল বায়ু টারবাইনের দক্ষতা বাড়ানো এবং জুন 2022 এ সম্পন্ন হয়েছিল। শেষ পর্যন্ত, 'রিনিউয়েবল এনার্জি পলিসি অ্যাডভোকেসি' ছিল একটি ক্রস-বিভাগীয় উদ্যোগ যা সেপ্টেম্বর 2022-এ শেষ হয়, একটি নীতি প্রস্তাব তৈরি করে স্থানীয় সম্প্রদায়ের মধ্যে নবায়নযোগ্য শক্তি গ্রহণের প্রচারের জন্য। প্রদত্ত লিঙ্কগুলির মাধ্যমে প্রাসঙ্গিক নথি, প্রতিবেদন এবং উপস্থাপনাগুলি অ্যাক্সেস করা যেতে পারে।"
2. স্বয়ংক্রিয় বিপণন প্রচারাভিযান:
   • দৃশ্যপট: একটি ডিজিটাল বিপণন সংস্থা রিয়েল-টাইম বাজারের প্রবণতা এবং ভোক্তাদের আচরণের উপর ভিত্তি করে বিপণন প্রচারাভিযান তৈরি এবং স্থাপনাকে স্বয়ংক্রিয় করতে RAG প্রয়োগ করে।
   • কর্মপ্রবাহ:
     • উদ্ধার: যখনই সিস্টেমে একটি নতুন লিড আসে, RAG মেকানিজম লিড এবং তাদের সংস্থার প্রাসঙ্গিক বিবরণ নিয়ে আসে এবং ওয়ার্কফ্লো শুরু করে।
     • বৃদ্ধি: এটি ক্লায়েন্টের বিপণন উদ্দেশ্য, ব্র্যান্ড নির্দেশিকা এবং লক্ষ্য জনসংখ্যার সাথে এই ডেটাকে একত্রিত করে।
     • টাস্ক এক্সিকিউশন: সিস্টেম স্বায়ত্তশাসিতভাবে বিভিন্ন ডিজিটাল চ্যানেল জুড়ে একটি উপযোগী বিপণন প্রচারাভিযান ডিজাইন করে এবং স্থাপন করে চিহ্নিত প্রবণতাকে পুঁজি করে, সম্ভাব্য সমন্বয়ের জন্য রিয়েল-টাইমে প্রচারণার কর্মক্ষমতা ট্র্যাক করে।
3. আইনি গবেষণা এবং মামলা প্রস্তুতি:
   • দৃশ্যপট: আইনী গবেষণা এবং মামলা প্রস্তুতি ত্বরান্বিত করতে একটি আইন সংস্থা RAG সংহত করে।
   • কর্মপ্রবাহ:
     • উদ্ধার: একটি নতুন কেস সম্পর্কে ইনপুট দিলে, এটি প্রাসঙ্গিক আইনি নজির, বিধি এবং সাম্প্রতিক রায়গুলি তুলে ধরে।
     • বৃদ্ধি: এটি কেস বিশদ বিবরণের সাথে এই ডেটার সাথে সম্পর্কযুক্ত।
     • প্রজন্ম: সিস্টেমটি একটি প্রাথমিক মামলার সংক্ষিপ্ত খসড়া তৈরি করে, যা প্রাথমিক গবেষণায় অ্যাটর্নিদের ব্যয় করার সময়কে উল্লেখযোগ্যভাবে হ্রাস করে।
4. কাস্টমার সার্ভিস এনহান্সমেন্ট:
   • দৃশ্যপট: একটি টেলিকমিউনিকেশন কোম্পানি প্ল্যানের বিশদ বিবরণ, বিলিং এবং সাধারণ সমস্যাগুলির সমস্যা সমাধান সংক্রান্ত গ্রাহকের প্রশ্নগুলি পরিচালনা করতে একটি RAG-বর্ধিত চ্যাটবট প্রয়োগ করে৷
   • কর্মপ্রবাহ:
     • উদ্ধার: একটি নির্দিষ্ট প্ল্যানের ডেটা ভাতা সম্পর্কে একটি প্রশ্ন প্রাপ্তির পরে, সিস্টেমটি তার ডাটাবেস থেকে সর্বশেষ পরিকল্পনা এবং অফারগুলি উল্লেখ করে৷
     • বৃদ্ধি: এটি গ্রাহকের বর্তমান প্ল্যানের বিবরণ (গ্রাহকের প্রোফাইল থেকে) এবং মূল প্রশ্নের সাথে এই পুনরুদ্ধার করা তথ্যকে একত্রিত করে।
     • প্রজন্ম: সিস্টেম গ্রাহকের বর্তমান প্ল্যান এবং জিজ্ঞাসা করা পরিকল্পনার মধ্যে ডেটা ভাতা পার্থক্য ব্যাখ্যা করে একটি উপযোগী প্রতিক্রিয়া তৈরি করে৷
5. ইনভেন্টরি ব্যবস্থাপনা এবং পুনর্বিন্যাস:
   1. দৃশ্যপট: একটি ই-কমার্স কোম্পানি ইনভেন্টরি পরিচালনা করতে এবং স্টক লেভেল পূর্বনির্ধারিত থ্রেশহোল্ডের নিচে নেমে গেলে পণ্যগুলিকে স্বয়ংক্রিয়ভাবে পুনরায় সাজানোর জন্য একটি RAG-অগমেন্টেড সিস্টেম নিয়োগ করে।
   2. কর্মধারা:
      1. পুনরুদ্ধার: যখন একটি পণ্যের স্টক নিম্ন স্তরে পৌঁছায়, সিস্টেমটি তার ডাটাবেস থেকে বিক্রয় ইতিহাস, মৌসুমী চাহিদা ওঠানামা এবং বর্তমান বাজারের প্রবণতা পরীক্ষা করে।
      2. পরিবর্ধন: পণ্যের পুনঃক্রমের ফ্রিকোয়েন্সি, সীসা সময় এবং সরবরাহকারীর বিবরণের সাথে পুনরুদ্ধার করা ডেটা একত্রিত করে, এটি পুনরায় সাজানোর জন্য সর্বোত্তম পরিমাণ নির্ধারণ করে।
      3. টাস্ক এক্সিকিউশন: সিস্টেমটি তারপরে সরবরাহকারীর সাথে স্বয়ংক্রিয়ভাবে একটি ক্রয় অর্ডার দেওয়ার জন্য কোম্পানির প্রকিউরমেন্ট সফ্টওয়্যারের সাথে ইন্টারফেস করে, নিশ্চিত করে যে ই-কমার্স প্ল্যাটফর্মের জনপ্রিয় পণ্যগুলি কখনই ফুরিয়ে না যায়।
6. কর্মচারী অনবোর্ডিং এবং আইটি সেটআপ:
   1. দৃশ্যপট: একটি বহুজাতিক কর্পোরেশন একটি RAG-চালিত সিস্টেম ব্যবহার করে নতুন কর্মীদের জন্য অনবোর্ডিং প্রক্রিয়া সহজতর করতে, নিশ্চিত করে যে সমস্ত IT প্রয়োজনীয়তা কর্মচারীর প্রথম দিনের আগে সেট আপ করা হয়েছে।
   2. কর্মধারা:
      1. পুনরুদ্ধার: একটি নতুন ভাড়ার বিশদ প্রাপ্তির পরে, সিস্টেমটি কর্মচারীর ভূমিকা, বিভাগ এবং অবস্থান নির্ধারণ করতে HR ডাটাবেসের সাথে পরামর্শ করে।
      2. পরিবর্ধন: এটি কোম্পানির আইটি নীতির সাথে এই তথ্যের সাথে সম্পর্কযুক্ত করে, সফ্টওয়্যার, হার্ডওয়্যার এবং নতুন কর্মচারীর অ্যাক্সেসের অনুমতিগুলি নির্ধারণ করে।
      3. টাস্ক এক্সিকিউশন: তারপর সিস্টেমটি আইটি বিভাগের টিকিট সিস্টেমের সাথে যোগাযোগ করে, একটি নতুন ওয়ার্কস্টেশন সেট আপ করতে, প্রয়োজনীয় সফ্টওয়্যার ইনস্টল করতে এবং উপযুক্ত সিস্টেম অ্যাক্সেস দেওয়ার জন্য স্বয়ংক্রিয়ভাবে টিকিট তৈরি করে। এটি নিশ্চিত করে যে যখন নতুন কর্মচারী শুরু হয়, তাদের ওয়ার্কস্টেশন প্রস্তুত থাকে এবং তারা অবিলম্বে তাদের দায়িত্বগুলিতে ডুব দিতে পারে।

এই উদাহরণগুলি অগণিত ডোমেন জুড়ে জটিল, রিয়েল-টাইম ব্যবসায়িক চ্যালেঞ্জ মোকাবেলায় RAG ওয়ার্কফ্লো নিয়োগের বহুমুখিতা এবং ব্যবহারিক সুবিধাগুলিকে আন্ডারস্কোর করে।

---

ডেটার সাথে চ্যাট করতে, কাস্টম চ্যাটবট এবং এজেন্ট স্থাপন করতে এবং RAG ওয়ার্কফ্লো তৈরি করতে Nanonets AI সহকারীর সাথে আপনার ডেটা এবং অ্যাপগুলিকে সংযুক্ত করুন৷

একটি ডেমো তফসিল

---

কিভাবে আপনার নিজস্ব RAG ওয়ার্কফ্লো তৈরি করবেন?

একটি RAG ওয়ার্কফ্লো তৈরির প্রক্রিয়া

একটি পুনরুদ্ধার অগমেন্টেড জেনারেশন (RAG) ওয়ার্কফ্লো তৈরির প্রক্রিয়াটিকে কয়েকটি মূল ধাপে বিভক্ত করা যেতে পারে। এই পদক্ষেপগুলি তিনটি প্রধান প্রক্রিয়ায় শ্রেণীবদ্ধ করা যেতে পারে: আহার, উদ্ধার, এবং প্রজন্ম, সেইসাথে কিছু অতিরিক্ত প্রস্তুতি:

1. প্রস্তুতি:

• জ্ঞানের ভিত্তি প্রস্তুতি: বিভিন্ন উত্স - অ্যাপ, নথি, ডেটাবেস থেকে ডেটা গ্রহণ করে একটি ডেটা ভান্ডার বা জ্ঞানের ভিত্তি তৈরি করুন৷ এই ডেটাটি দক্ষ অনুসন্ধানযোগ্যতার অনুমতি দেওয়ার জন্য ফর্ম্যাট করা উচিত, যার মূলত অর্থ হল এই ডেটাটিকে একটি ইউনিফাইড 'ডকুমেন্ট' অবজেক্ট উপস্থাপনায় ফর্ম্যাট করা উচিত।

2. ইনজেশন প্রক্রিয়া:

• ভেক্টর ডাটাবেস সেটআপ: ভেক্টর ডেটাবেসগুলিকে জ্ঞানের ভিত্তি হিসাবে ব্যবহার করুন, উচ্চ-মাত্রিক ভেক্টরগুলিকে সংগঠিত করতে বিভিন্ন সূচীকরণ অ্যালগরিদম নিয়োগ করুন, দ্রুত এবং শক্তিশালী অনুসন্ধান ক্ষমতা সক্ষম করুন।
  • তথ্য নিষ্কাশন: এই নথিগুলি থেকে ডেটা বের করুন।
  • ডেটা চঙ্কিং: ডকুমেন্টগুলিকে ডাটা সেকশনে ভাগ করে নিন।
  • ডেটা এমবেডিং: OpenAI দ্বারা প্রদত্ত একটি এম্বেডিং মডেল ব্যবহার করে এই অংশগুলিকে এম্বেডিংয়ে রূপান্তর করুন।
• আপনার ব্যবহারকারীর প্রশ্ন গ্রহণ করার জন্য একটি প্রক্রিয়া বিকাশ করুন। এটি একটি ব্যবহারকারী ইন্টারফেস বা একটি API-ভিত্তিক কর্মপ্রবাহ হতে পারে।

3. পুনরুদ্ধার প্রক্রিয়া:

• কোয়েরি এমবেডিং: ব্যবহারকারীর প্রশ্নের জন্য ডেটা এম্বেডিং পান।
• খণ্ড পুনরুদ্ধার: ক্যোয়ারী এমবেডিং এর উপর ভিত্তি করে ভেক্টর ডাটাবেসে সবচেয়ে প্রাসঙ্গিক সঞ্চিত অংশগুলি খুঁজে পেতে একটি হাইব্রিড অনুসন্ধান করুন৷
• বিষয়বস্তু টানা: প্রসঙ্গ হিসাবে আপনার প্রম্পটে আপনার জ্ঞানের ভিত্তি থেকে সবচেয়ে প্রাসঙ্গিক বিষয়বস্তু টানুন।

4. জেনারেশন প্রক্রিয়া:

• প্রম্পট জেনারেশন: একটি প্রম্পট তৈরি করতে মূল প্রশ্নের সাথে পুনরুদ্ধার করা তথ্য একত্রিত করুন। এখন, আপনি পারফর্ম করতে পারেন -
  • রেসপন্স জেনারেশন: একটি সুপরিচিত প্রতিক্রিয়া তৈরি করতে LLM (বড় ভাষা মডেল) এ সম্মিলিত প্রম্পট পাঠ্য পাঠান।
  • টাস্ক এক্সিকিউশন: আপনার LLM ডেটা এজেন্টের কাছে সম্মিলিত প্রম্পট পাঠ্য পাঠান যা আপনার প্রশ্নের উপর ভিত্তি করে সম্পাদন করার জন্য সঠিক কাজটি অনুমান করবে এবং এটি সম্পাদন করবে। উদাহরণস্বরূপ, আপনি একটি Gmail ডেটা এজেন্ট তৈরি করতে পারেন এবং তারপরে এটিকে "সাম্প্রতিক হাবস্পট লিডগুলিতে প্রচারমূলক ইমেলগুলি পাঠাতে" অনুরোধ করতে পারেন এবং ডেটা এজেন্ট করবে -
    • হাবস্পট থেকে সাম্প্রতিক লিড আনুন।
    • লিড সম্পর্কিত প্রাসঙ্গিক তথ্য পেতে আপনার জ্ঞানের ভিত্তি ব্যবহার করুন। আপনার জ্ঞানের ভিত্তি একাধিক ডেটা উত্স থেকে ডেটা গ্রহণ করতে পারে - LinkedIn, Lead Enrichment APIs, এবং আরও অনেক কিছু।
    • প্রতিটি লিডের জন্য ব্যক্তিগতকৃত প্রচারমূলক ইমেলগুলি কিউরেট করুন।
    • আপনার ইমেল প্রদানকারী / ইমেল প্রচার ব্যবস্থাপক ব্যবহার করে এই ইমেলগুলি পাঠান।

5. কনফিগারেশন এবং অপ্টিমাইজেশান:

• কাস্টমাইজেশন: নির্দিষ্ট প্রয়োজনীয়তাগুলির জন্য ওয়ার্কফ্লো কাস্টমাইজ করুন, যার মধ্যে অন্তর্ভুক্ত থাকতে পারে ইনজেশন প্রবাহ সামঞ্জস্য করা, যেমন প্রিপ্রসেসিং, চঙ্কিং এবং এমবেডিং মডেল নির্বাচন করা।
• অপ্টিমাইজেশান: পুনরুদ্ধারের গুণমান উন্নত করতে অপ্টিমাইজেশান কৌশলগুলি প্রয়োগ করুন এবং প্রক্রিয়ায় টোকেন গণনা হ্রাস করুন, যা স্কেলে কর্মক্ষমতা এবং খরচ অপ্টিমাইজেশানের দিকে নিয়ে যেতে পারে।

এক নিজেকে বাস্তবায়ন

একটি পুনরুদ্ধার অগমেন্টেড জেনারেশন (RAG) ওয়ার্কফ্লো বাস্তবায়ন করা একটি জটিল কাজ যাতে অসংখ্য পদক্ষেপ এবং অন্তর্নিহিত অ্যালগরিদম এবং সিস্টেমগুলির একটি ভাল বোঝার অন্তর্ভুক্ত থাকে। যারা একটি RAG ওয়ার্কফ্লো বাস্তবায়ন করতে চায় তাদের জন্য নীচে হাইলাইট করা চ্যালেঞ্জ এবং সেগুলি অতিক্রম করার পদক্ষেপগুলি রয়েছে:

আপনার নিজস্ব RAG ওয়ার্কফ্লো তৈরিতে চ্যালেঞ্জ:

1. নতুনত্ব এবং প্রতিষ্ঠিত অনুশীলনের অভাব: RAG হল একটি অপেক্ষাকৃত নতুন প্রযুক্তি, যা 2020 সালে প্রথম প্রস্তাব করা হয়েছিল এবং ডেভেলপাররা এখনও জেনারেটিভ AI-তে এর তথ্য পুনরুদ্ধার প্রক্রিয়া বাস্তবায়নের জন্য সর্বোত্তম অনুশীলনগুলি খুঁজে বের করছেন।
2. খরচ: শুধুমাত্র একটি লার্জ ল্যাঙ্গুয়েজ মডেল (LLM) ব্যবহার করার চেয়ে RAG বাস্তবায়ন করা বেশি ব্যয়বহুল হবে। যাইহোক, এটি ঘন ঘন এলএলএম পুনরায় প্রশিক্ষণের চেয়ে কম ব্যয়বহুল।
3. ডেটা স্ট্রাকচারিং: নলেজ লাইব্রেরি এবং ভেক্টর ডাটাবেসের মধ্যে স্ট্রাকচার্ড এবং আনস্ট্রাকচার্ড ডেটা কীভাবে সেরা মডেল করা যায় তা নির্ধারণ করা একটি মূল চ্যালেঞ্জ।
4. ইনক্রিমেন্টাল ডেটা ফিডিং: RAG সিস্টেমে ক্রমবর্ধমানভাবে ডেটা খাওয়ানোর জন্য প্রক্রিয়াগুলি বিকাশ করা অত্যন্ত গুরুত্বপূর্ণ।
5. ভুল হ্যান্ডলিং: ভুলের রিপোর্ট পরিচালনা করতে এবং RAG সিস্টেমে সেই তথ্যের উত্সগুলিকে সংশোধন বা মুছে ফেলার জন্য প্রক্রিয়াগুলি স্থাপন করা প্রয়োজন।

---

ডেটার সাথে চ্যাট করতে, কাস্টম চ্যাটবট এবং এজেন্ট স্থাপন করতে এবং RAG ওয়ার্কফ্লো তৈরি করতে Nanonets AI সহকারীর সাথে আপনার ডেটা এবং অ্যাপগুলিকে সংযুক্ত করুন৷

একটি ডেমো তফসিল

---

কিভাবে আপনার নিজস্ব RAG ওয়ার্কফ্লো তৈরি করা শুরু করবেন:

একটি RAG ওয়ার্কফ্লো বাস্তবায়নের জন্য আপনার লক্ষ্য পূরণে এর কার্যকারিতা এবং দক্ষতা নিশ্চিত করতে প্রযুক্তিগত জ্ঞান, সঠিক সরঞ্জাম এবং ক্রমাগত শেখার এবং অপ্টিমাইজেশনের মিশ্রণ প্রয়োজন। যারা নিজেরাই RAG ওয়ার্কফ্লো বাস্তবায়ন করতে চান তাদের জন্য, আমরা ব্যাপক হ্যান্ডস-অন গাইডের একটি তালিকা তৈরি করেছি যা আপনাকে বিস্তারিতভাবে বাস্তবায়ন প্রক্রিয়ার মধ্য দিয়ে নিয়ে যায় -

প্রতিটি টিউটোরিয়াল নির্দিষ্ট বিষয়গুলিতে কাঙ্ক্ষিত বাস্তবায়ন অর্জনের জন্য একটি অনন্য পদ্ধতি বা প্ল্যাটফর্ম নিয়ে আসে।

আপনি যদি আপনার নিজস্ব RAG ওয়ার্কফ্লো তৈরি করতে খুঁজছেন, আমরা আপনার যাত্রা শুরু করার জন্য প্রয়োজনীয় একটি সামগ্রিক অনুভূতি পেতে উপরে তালিকাভুক্ত সমস্ত নিবন্ধ চেক করার পরামর্শ দিই।

ML প্ল্যাটফর্ম ব্যবহার করে RAG ওয়ার্কফ্লো বাস্তবায়ন করুন

যদিও গ্রাউন্ড আপ থেকে একটি পুনরুদ্ধার অগমেন্টেড জেনারেশন (RAG) ওয়ার্কফ্লো নির্মাণের লোভ একটি নির্দিষ্ট কৃতিত্ব এবং কাস্টমাইজেশনের উপলব্ধি দেয়, এটি নিঃসন্দেহে একটি জটিল প্রচেষ্টা। জটিলতা এবং চ্যালেঞ্জগুলিকে স্বীকৃতি দিয়ে, বেশ কয়েকটি ব্যবসা এগিয়েছে, এই প্রক্রিয়াটিকে সহজ করার জন্য বিশেষায়িত প্ল্যাটফর্ম এবং পরিষেবাগুলি অফার করেছে৷ এই প্ল্যাটফর্মগুলিকে ব্যবহার করা শুধুমাত্র মূল্যবান সময় এবং সংস্থানগুলিকে বাঁচাতে পারে না কিন্তু এটিও নিশ্চিত করতে পারে যে বাস্তবায়ন শিল্পের সর্বোত্তম অনুশীলনের উপর ভিত্তি করে এবং কর্মক্ষমতার জন্য অপ্টিমাইজ করা হয়েছে।

স্ক্র্যাচ থেকে একটি RAG সিস্টেম তৈরি করতে ব্যান্ডউইথ বা দক্ষতা নাও থাকতে পারে এমন সংস্থা বা ব্যক্তিদের জন্য, এই ML প্ল্যাটফর্মগুলি একটি কার্যকর সমাধান উপস্থাপন করে। এই প্ল্যাটফর্মগুলি বেছে নেওয়ার মাধ্যমে, কেউ পারেন:

• প্রযুক্তিগত জটিলতা বাইপাস: ডেটা স্ট্রাকচারিং, এম্বেডিং এবং পুনরুদ্ধার প্রক্রিয়ার জটিল ধাপগুলি এড়িয়ে চলুন। এই প্ল্যাটফর্মগুলি প্রায়শই প্রাক-নির্মিত সমাধান এবং RAG ওয়ার্কফ্লোগুলির জন্য তৈরি ফ্রেমওয়ার্কের সাথে আসে।
• লিভারেজ দক্ষতা: পেশাদারদের দক্ষতা থেকে উপকৃত হন যাদের RAG সিস্টেম সম্পর্কে গভীর ধারণা রয়েছে এবং ইতিমধ্যেই এর বাস্তবায়নের সাথে যুক্ত অনেক চ্যালেঞ্জ মোকাবেলা করেছেন।
• স্কেলেবিলিটি: এই প্ল্যাটফর্মগুলি প্রায়শই স্কেলেবিলিটি মাথায় রেখে ডিজাইন করা হয়, এটি নিশ্চিত করে যে আপনার ডেটা বাড়ার সাথে সাথে বা আপনার প্রয়োজনীয়তা পরিবর্তিত হয়, সিস্টেমটি সম্পূর্ণ ওভারহল ছাড়াই মানিয়ে নিতে পারে।
• ব্যয়-কার্যকারিতা: একটি প্ল্যাটফর্ম ব্যবহার করার সাথে সংশ্লিষ্ট খরচ থাকলেও, এটি দীর্ঘমেয়াদে আরও সাশ্রয়ী হতে পারে, বিশেষ করে যখন সমস্যা সমাধান, অপ্টিমাইজেশান, এবং সম্ভাব্য পুনরায় বাস্তবায়নের খরচ বিবেচনা করে।

আসুন RAG ওয়ার্কফ্লো তৈরির ক্ষমতা অফার করে এমন প্ল্যাটফর্মের দিকে নজর দেওয়া যাক।

ন্যানোনেটস

Nanonets আপনার কোম্পানির ডেটা দ্বারা চালিত নিরাপদ AI সহকারী, চ্যাটবট এবং RAG ওয়ার্কফ্লো অফার করে। এটি বিভিন্ন ডেটা উত্সের মধ্যে রিয়েল-টাইম ডেটা সিঙ্ক্রোনাইজেশন সক্ষম করে, দলগুলির জন্য ব্যাপক তথ্য পুনরুদ্ধারের সুবিধা দেয়। প্ল্যাটফর্মটি লার্জ ল্যাঙ্গুয়েজ মডেল (LLMs) দ্বারা চালিত প্রাকৃতিক ভাষার মাধ্যমে জটিল কর্মপ্রবাহ স্থাপনের পাশাপাশি চ্যাটবট তৈরির অনুমতি দেয়। এটি আপনার অ্যাপ্লিকেশানগুলিতে ডেটা পড়তে এবং লেখার জন্য ডেটা সংযোগকারীগুলি এবং বহিরাগত অ্যাপ্লিকেশনগুলিতে সরাসরি ক্রিয়া সম্পাদনের জন্য LLM এজেন্টদের ব্যবহার করার ক্ষমতাও সরবরাহ করে।

Nanonets AI সহকারী পণ্য পৃষ্ঠা

AWS জেনারেটিভ এআই

AWS তার জেনারেটিভ এআই ছাতার অধীনে বিভিন্ন ব্যবসায়িক চাহিদা মেটাতে বিভিন্ন ধরনের পরিষেবা এবং সরঞ্জাম সরবরাহ করে। এটি অ্যামাজন বেডরকের মাধ্যমে বিভিন্ন প্রদানকারীর কাছ থেকে শিল্প-নেতৃস্থানীয় ফাউন্ডেশন মডেলের বিস্তৃত পরিসরে অ্যাক্সেস প্রদান করে। ব্যবহারকারীরা আরও ব্যক্তিগতকৃত এবং ভিন্ন অভিজ্ঞতা তৈরি করতে তাদের নিজস্ব ডেটা দিয়ে এই ভিত্তি মডেলগুলি কাস্টমাইজ করতে পারেন। AWS নিরাপত্তা এবং গোপনীয়তার উপর জোর দেয়, ফাউন্ডেশন মডেল কাস্টমাইজ করার সময় ডেটা সুরক্ষা নিশ্চিত করে। এটি উৎপাদক AI স্কেলিং করার জন্য ব্যয়-কার্যকর অবকাঠামোও হাইলাইট করে, যেখানে সেরা মূল্যের কার্যক্ষমতা অর্জনের জন্য AWS Trainium, AWS Inferentia এবং NVIDIA GPU-এর মতো বিকল্প রয়েছে। অধিকন্তু, AWS Amazon SageMaker-এ ফাউন্ডেশন মডেল তৈরি, প্রশিক্ষণ এবং স্থাপনের সুবিধা দেয়, ব্যবহারকারীর নির্দিষ্ট ব্যবহারের ক্ষেত্রে ফাউন্ডেশন মডেলের ক্ষমতা প্রসারিত করে।

AWS জেনারেটিভ এআই প্রোডাক্ট পেজ

গুগল ক্লাউডে জেনারেটিভ এআই

গুগল ক্লাউডের জেনারেটিভ এআই এআই মডেল তৈরি করতে, অনুসন্ধান বাড়াতে এবং এআই-চালিত কথোপকথন সক্ষম করার জন্য একটি শক্তিশালী সরঞ্জাম সরবরাহ করে। এটি অনুভূতি বিশ্লেষণ, ভাষা প্রক্রিয়াকরণ, বক্তৃতা প্রযুক্তি এবং স্বয়ংক্রিয় নথি ব্যবস্থাপনায় উৎকৃষ্ট। উপরন্তু, এটি RAG ওয়ার্কফ্লো এবং LLM এজেন্ট তৈরি করতে পারে, বহুভাষিক পদ্ধতির সাথে বিভিন্ন ব্যবসার প্রয়োজনীয়তা পূরণ করে, এটিকে বিভিন্ন এন্টারপ্রাইজের প্রয়োজনের জন্য একটি ব্যাপক সমাধান করে তোলে।

গুগল ক্লাউড জেনারেটিভ এআই

ওরাকল জেনারেটিভ এআই

ওরাকলের জেনারেটিভ এআই (ওসিআই জেনারেটিভ এআই) এন্টারপ্রাইজের জন্য তৈরি করা হয়েছে, চমৎকার ডেটা ম্যানেজমেন্ট, এআই অবকাঠামো এবং ব্যবসায়িক অ্যাপ্লিকেশনের সাথে মিলিত উচ্চতর মডেল অফার করে। এটি বড় ভাষা মডেল প্রদানকারী বা অন্যান্য গ্রাহকদের সাথে ভাগ না করে ব্যবহারকারীর নিজস্ব ডেটা ব্যবহার করে মডেলগুলিকে পরিমার্জন করার অনুমতি দেয়, এইভাবে নিরাপত্তা এবং গোপনীয়তা নিশ্চিত করে৷ প্ল্যাটফর্মটি অনুমানযোগ্য পারফরম্যান্স এবং মূল্য নির্ধারণের জন্য ডেডিকেটেড AI ক্লাস্টারগুলিতে মডেল স্থাপন করতে সক্ষম করে। ওসিআই জেনারেটিভ এআই বিভিন্ন ব্যবহারের ক্ষেত্রে যেমন পাঠ্য সংক্ষিপ্তকরণ, অনুলিপি তৈরি, চ্যাটবট তৈরি, শৈলীগত রূপান্তর, পাঠ্য শ্রেণিবিন্যাস, এবং ডেটা অনুসন্ধান, এন্টারপ্রাইজের প্রয়োজনের একটি বর্ণালীকে সম্বোধন করে। এটি ব্যবহারকারীর ইনপুট প্রসেস করে, যার মধ্যে প্রাকৃতিক ভাষা, ইনপুট/আউটপুট উদাহরণ এবং নির্দেশাবলী অন্তর্ভুক্ত থাকতে পারে, উত্পন্ন, সংক্ষিপ্তকরণ, রূপান্তর, তথ্য বের করতে, বা ব্যবহারকারীর অনুরোধের ভিত্তিতে পাঠ্যকে শ্রেণিবদ্ধ করতে, নির্দিষ্ট বিন্যাসে একটি প্রতিক্রিয়া ফেরত পাঠাতে।

ওরাকল জেনারেটিভ এআই

Cloudera

জেনারেটিভ এআই-এর ক্ষেত্রে, ক্লাউডেরা এন্টারপ্রাইজগুলির জন্য একটি বিশ্বস্ত সহযোগী হিসাবে আবির্ভূত হয়। তাদের খোলা ডেটা লেকহাউস, পাবলিক এবং প্রাইভেট উভয় ক্লাউডে অ্যাক্সেসযোগ্য, এটি একটি ভিত্তিপ্রস্তর। তারা প্রান্ত থেকে AI পর্যন্ত সমগ্র ডেটা লাইফসাইকেল যাত্রায় সহায়তা করে একগুচ্ছ ডেটা পরিষেবা অফার করে। তাদের ক্ষমতাগুলি রিয়েল-টাইম ডেটা স্ট্রিমিং, খোলা লেকহাউসগুলিতে ডেটা স্টোরেজ এবং বিশ্লেষণ এবং ক্লাউডেরা ডেটা প্ল্যাটফর্মের মাধ্যমে মেশিন লার্নিং মডেলগুলির স্থাপনা এবং পর্যবেক্ষণ পর্যন্ত প্রসারিত। উল্লেখযোগ্যভাবে, ক্লাউডেরা বর্ধিত AI অ্যাপ্লিকেশনের জন্য পুনরুদ্ধার এবং প্রজন্মের ক্ষমতার একটি শক্তিশালী সংমিশ্রণ তৈরি করে পুনরুদ্ধার অগমেন্টেড জেনারেশন ওয়ার্কফ্লোগুলি তৈরি করতে সক্ষম করে।

ক্লাউডের ব্লগ পেজ

গলন

Glean কর্মক্ষেত্র অনুসন্ধান এবং জ্ঞান আবিষ্কার উন্নত করতে AI নিয়োগ করে। এটি অনুসন্ধানের প্রাসঙ্গিকতাকে ক্রমাগত উন্নত করে, প্রশ্নের শব্দার্থগত বোঝার জন্য ভেক্টর অনুসন্ধান এবং গভীর শিক্ষা-ভিত্তিক বৃহৎ ভাষা মডেলগুলির সুবিধা দেয়। এটি প্রশ্নের উত্তর দেওয়ার জন্য এবং নথি, টিকিট এবং আরও অনেক কিছু জুড়ে তথ্য সংক্ষিপ্ত করার জন্য একটি জেনারেটিভ এআই সহকারী অফার করে। প্ল্যাটফর্মটি ব্যক্তিগতকৃত অনুসন্ধান ফলাফল সরবরাহ করে এবং ব্যবহারকারীর কার্যকলাপ এবং প্রবণতার উপর ভিত্তি করে তথ্যের পরামর্শ দেয়, পাশাপাশি বিভিন্ন অ্যাপের 100 টিরও বেশি সংযোগকারীর সাথে সহজ সেটআপ এবং একীকরণের সুবিধা দেয়৷

ক্লিন হোমপেজ

ল্যান্ডবোট

ল্যান্ডবট কথোপকথনের অভিজ্ঞতা তৈরি করার জন্য সরঞ্জামগুলির একটি স্যুট অফার করে। এটি ওয়েবসাইট বা হোয়াটসঅ্যাপে চ্যাটবটের মাধ্যমে লিড তৈরি, গ্রাহকের যোগদান এবং সহায়তার সুবিধা দেয়৷ ব্যবহারকারীরা নো-কোড নির্মাতার সাথে চ্যাটবট ডিজাইন, স্থাপন এবং স্কেল করতে পারে এবং সেগুলিকে স্ল্যাক এবং মেসেঞ্জারের মতো জনপ্রিয় প্ল্যাটফর্মের সাথে একীভূত করতে পারে। এটি বিভিন্ন ব্যবহারের ক্ষেত্রে যেমন লিড জেনারেশন, গ্রাহক সহায়তা, এবং পণ্য প্রচারের জন্য বিভিন্ন টেমপ্লেট সরবরাহ করে

Landbot.io হোমপেজ

চ্যাটবেস

চ্যাটবেস একটি ব্র্যান্ডের ব্যক্তিত্ব এবং ওয়েবসাইটের চেহারার সাথে সারিবদ্ধ করার জন্য ChatGPT কাস্টমাইজ করার জন্য একটি প্ল্যাটফর্ম প্রদান করে। এটি সীসা সংগ্রহ, দৈনিক কথোপকথনের সারাংশ, এবং Zapier, Slack এবং Messenger এর মতো অন্যান্য সরঞ্জামগুলির সাথে একীকরণের অনুমতি দেয়৷ প্ল্যাটফর্মটি ব্যবসার জন্য একটি ব্যক্তিগতকৃত চ্যাটবট অভিজ্ঞতা দেওয়ার জন্য ডিজাইন করা হয়েছে।

চ্যাটবেস পণ্য পাতা

স্কেল এআই

স্কেল এআই নির্দিষ্ট ব্যবসায়িক প্রয়োজনের সাথে ফাউন্ডেশন মডেলগুলিকে খাপ খাইয়ে নেওয়ার জন্য ফাইন-টিউনিং এবং RLHF প্রদানের মাধ্যমে AI অ্যাপ্লিকেশন ডেভেলপমেন্টে ডেটা বাধার সমাধান করে। এটি নেতৃস্থানীয় AI মডেলগুলির সাথে সংহত বা অংশীদারিত্ব করে, এন্টারপ্রাইজগুলিকে কৌশলগত পার্থক্যের জন্য তাদের ডেটা অন্তর্ভুক্ত করতে সক্ষম করে। আরএজি ওয়ার্কফ্লো এবং এলএলএম এজেন্ট তৈরি করার ক্ষমতার সাথে মিলিত, স্কেল এআই ত্বরিত এআই অ্যাপ্লিকেশন বিকাশের জন্য একটি ফুল-স্ট্যাক জেনারেটিভ এআই প্ল্যাটফর্ম সরবরাহ করে।

স্কেল এআই হোমপেজ

শাকুডো - এলএলএম সমাধান

শাকুডো লার্জ ল্যাঙ্গুয়েজ মডেল (এলএলএম) স্থাপন, ভেক্টর ডাটাবেস পরিচালনা এবং শক্তিশালী ডেটা পাইপলাইন স্থাপনের জন্য একটি ঐক্যবদ্ধ সমাধান অফার করে। এটি রিয়েল-টাইম মনিটরিং এবং স্বয়ংক্রিয় অর্কেস্ট্রেশন সহ স্থানীয় ডেমো থেকে প্রোডাকশন-গ্রেড এলএলএম পরিষেবাতে রূপান্তরকে স্ট্রিমলাইন করে। প্ল্যাটফর্মটি নমনীয় জেনারেটিভ এআই অপারেশন, উচ্চ-থ্রুপুট ভেক্টর ডাটাবেস সমর্থন করে এবং বিদ্যমান টেক স্ট্যাকের কার্যকরী সমৃদ্ধি বৃদ্ধি করে বিভিন্ন ধরনের বিশেষায়িত LLMOps টুল সরবরাহ করে।

Shakundo RAG Workflows পণ্য পাতা

---

উল্লিখিত প্রতিটি প্ল্যাটফর্ম/ব্যবসার নিজস্ব অনন্য বৈশিষ্ট্য এবং ক্ষমতা রয়েছে এবং এন্টারপ্রাইজ ডেটা সংযোগ এবং RAG ওয়ার্কফ্লো বাস্তবায়নের জন্য কীভাবে সেগুলিকে লিভারেজ করা যেতে পারে তা বোঝার জন্য আরও অন্বেষণ করা যেতে পারে।

ডেটার সাথে চ্যাট করতে, কাস্টম চ্যাটবট এবং এজেন্ট স্থাপন করতে এবং RAG ওয়ার্কফ্লো তৈরি করতে Nanonets AI সহকারীর সাথে আপনার ডেটা এবং অ্যাপগুলিকে সংযুক্ত করুন৷

একটি ডেমো তফসিল

---

ন্যানোনেটের সাথে RAG ওয়ার্কফ্লো

আরও সুনির্দিষ্ট এবং অন্তর্দৃষ্টিপূর্ণ প্রতিক্রিয়া প্রদানের জন্য ভাষা মডেলগুলিকে বৃদ্ধি করার ক্ষেত্রে, পুনরুদ্ধার অগমেন্টেড জেনারেশন (RAG) একটি গুরুত্বপূর্ণ প্রক্রিয়া হিসাবে দাঁড়িয়েছে। এই জটিল প্রক্রিয়াটি এআই সিস্টেমগুলির নির্ভরযোগ্যতা এবং উপযোগিতাকে উন্নত করে, নিশ্চিত করে যে তারা কেবল তথ্য শূন্যতায় কাজ করছে না।

এর কেন্দ্রবিন্দুতে, Nanonets AI সহকারী একটি সুরক্ষিত, বহু-কার্যকরী AI সহচর হিসাবে আবির্ভূত হয়েছে যা আপনার সাংগঠনিক জ্ঞান এবং বৃহৎ ভাষা মডেলগুলির (LLMs) মধ্যে ব্যবধান পূরণ করার জন্য ডিজাইন করা হয়েছে, সমস্তই একটি ব্যবহারকারী-বান্ধব ইন্টারফেসের মধ্যে।

Nanonets এর RAG ক্ষমতা দ্বারা অফার করা বিরামবিহীন ইন্টিগ্রেশন এবং ওয়ার্কফ্লো বর্ধিতকরণের একটি ঝলক এখানে দেওয়া হল:

ডেটা সংযোগ:

Nanonets 100 টিরও বেশি জনপ্রিয় ওয়ার্কস্পেস অ্যাপ্লিকেশনের সাথে নিরবচ্ছিন্ন সংযোগের সুবিধা দেয় যার মধ্যে Slack, Notion, Google Suite, Salesforce, এবং Zendesk সহ অন্যান্য। এটি পিডিএফ, TXT, ছবি, অডিও এবং ভিডিও ফাইলের মতো অসংগঠিত, অথবা CSV, স্প্রেডশিট, মঙ্গোডিবি, এবং SQL ডাটাবেসের মতো কাঠামোগত ডেটার বিস্তৃত বর্ণালী পরিচালনায় দক্ষ। এই ব্রড-স্পেকট্রাম ডেটা কানেক্টিভিটি RAG মেকানিজমের জন্য একটি শক্তিশালী জ্ঞানের ভিত্তি নিশ্চিত করে।

ট্রিগার এবং অ্যাকশন এজেন্ট:

Nanonets এর সাথে, ট্রিগার/অ্যাকশন এজেন্ট সেট আপ করা একটি হাওয়া। এই এজেন্টরা আপনার ওয়ার্কস্পেস অ্যাপ জুড়ে ইভেন্টের জন্য সজাগ থাকে, প্রয়োজন অনুযায়ী কাজ শুরু করে। উদাহরণস্বরূপ, নতুন ইমেলগুলি নিরীক্ষণ করার জন্য একটি ওয়ার্কফ্লো স্থাপন করুন support@your_company.com, আপনার ডকুমেন্টেশন এবং অতীতের ইমেল কথোপকথনগুলিকে জ্ঞানের ভিত্তি হিসাবে ব্যবহার করুন, একটি অন্তর্দৃষ্টিপূর্ণ ইমেল প্রতিক্রিয়ার খসড়া তৈরি করুন এবং এটি পাঠান, সমস্ত কিছু নির্বিঘ্নে সাজানো হয়েছে৷

স্ট্রীমলাইনড ডেটা ইনজেশন এবং ইনডেক্সিং:

অপ্টিমাইজ করা ডেটা ইনজেশন এবং ইন্ডেক্সিং হল প্যাকেজের অংশ, মসৃণ ডেটা প্রসেসিং নিশ্চিত করে যা নেনোনেটস এআই অ্যাসিস্ট্যান্ট দ্বারা ব্যাকড্রপে পরিচালনা করা হয়। এই অপ্টিমাইজেশানটি ডেটা উত্সগুলির সাথে রিয়েল-টাইম সিঙ্কের জন্য অত্যন্ত গুরুত্বপূর্ণ, এটি নিশ্চিত করে যে RAG মেকানিজমের সাথে কাজ করার জন্য সর্বশেষ তথ্য রয়েছে৷

শুরু করার জন্য, আপনি আমাদের AI বিশেষজ্ঞদের একজনের সাথে একটি কল করতে পারেন এবং আমরা আপনাকে আপনার ব্যবহারের ক্ষেত্রের উপর ভিত্তি করে Nanonets AI সহকারীর একটি ব্যক্তিগতকৃত ডেমো ও ট্রায়াল দিতে পারি।

একবার সেট আপ হয়ে গেলে, আপনি আপনার Nanonets AI সহকারী ব্যবহার করতে পারেন -

RAG চ্যাট ওয়ার্কফ্লো তৈরি করুন

আপনার সমস্ত ডেটা উত্স থেকে ব্যাপক, রিয়েল-টাইম তথ্য দিয়ে আপনার দলগুলিকে শক্তিশালী করুন৷

RAG এজেন্ট ওয়ার্কফ্লো তৈরি করুন

আপনার সমস্ত অ্যাপ্লিকেশান এবং ডেটার সাথে ইন্টারঅ্যাক্ট করে এমন LLM দ্বারা চালিত জটিল ওয়ার্কফ্লো তৈরি এবং চালানোর জন্য প্রাকৃতিক ভাষা ব্যবহার করুন।

RAG ভিত্তিক চ্যাটবট স্থাপন করুন

কাস্টম এআই চ্যাটবটগুলি তৈরি করুন এবং স্থাপন করুন যা আপনাকে কয়েক মিনিটের মধ্যে চেনে।

আপনার দলের দক্ষতা বৃদ্ধি

Nanonets AI এর সাথে, আপনি শুধু ডেটা সংহত করছেন না; আপনি আপনার দলের ক্ষমতা সুপারচার্জ করছেন. জাগতিক কাজগুলিকে স্বয়ংক্রিয় করে এবং অন্তর্দৃষ্টিপূর্ণ প্রতিক্রিয়া প্রদান করে, আপনার দলগুলি কৌশলগত উদ্যোগগুলিতে তাদের ফোকাস পুনরায় বরাদ্দ করতে পারে।

Nanonets' RAG-চালিত AI সহকারী শুধুমাত্র একটি টুলের চেয়ে বেশি; এটি একটি অনুঘটক যা ক্রিয়াকলাপগুলিকে স্ট্রিমলাইন করে, ডেটা অ্যাক্সেসযোগ্যতা বাড়ায় এবং আপনার সংস্থাকে তথ্যগত সিদ্ধান্ত গ্রহণ এবং অটোমেশনের ভবিষ্যতের দিকে চালিত করে।

---

ডেটার সাথে চ্যাট করতে, কাস্টম চ্যাটবট এবং এজেন্ট স্থাপন করতে এবং RAG ওয়ার্কফ্লো তৈরি করতে Nanonets AI সহকারীর সাথে আপনার ডেটা এবং অ্যাপগুলিকে সংযুক্ত করুন৷

একটি ডেমো তফসিল

---

• এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
• PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
• প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
• প্লেটোইএসজি। কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
• প্লেটো হেলথ। বায়োটেক এবং ক্লিনিক্যাল ট্রায়াল ইন্টেলিজেন্স। এখানে প্রবেশ করুন.
• উত্স: https://nanonets.com/blog/retrieval-augmented-generation/