АНАЛИЗ И КЛАССИФИКАЦИЯ МЕТОДОВ ПОВЫШЕНИЯ ТОЧНОСТИ И ОБЪЯСНИМОСТИ СИСТЕМ RETRIEVAL-AUGMENTED GENERATION

Abstract

В статье рассматриваются современные подходы к повышению точности и объяснимости систем Retrieval-Augmented Generation (RAG), применяемых совместно с большими языковыми моделями. Актуальность исследования обусловлена ограничениями традиционных LLM, связанными с генерацией недостоверной информации и недостаточной прозрачностью процесса формирования ответов. В статье проведён системный анализ существующих методов, направленных на улучшение качества извлечения контекста, оптимизацию генерации и обеспечение интерпретируемости результатов. Предложена классификация методов повышения точности и объяснимости, включающая подходы на уровне retrieval, генерации и их комбинаций, а также методы трассировки источников и оценки согласованности ответов. Выполнен сравнительный анализ выделенных групп методов с точки зрения их влияния на ключевые характеристики RAG-систем и выявлены их основные ограничения. Полученные результаты позволяют структурировать существующие решения и формируют основу для дальнейших исследований в области создания более надёжных и объяснимых систем на базе LLM.