Ud over finjustering: Hvordan kan RAG (Retrieval-Augmented Generation) teknologi forbedre terminologikonsistens i lange dokumenter?

Diagnose af nuværende kernesituation

“Traditionelle LLM’er har et begrænset kontekstvindue, hvilket ofte fører til, at de oversete forkortelser eller specifikke oversættelser, der blev defineret i begyndelsen af dokumentet, glemmes mod slutningen.”

Analyse af grundlæggende årsag

1

Dynamisk vidensbaseopbygning

Under oversættelsesprocessen udtrækker virksomhedsoversættelses-AI i realtid de bekræftede nøgletermer og -udtryk og gemmer dem som vektorer i en midlertidig RAG-vidensbase. Dette svarer til, at AI’en får en form for ‘korttidshukommelse’ i realtid.

2

Kontekstbaseret informationshentning og injektion

Når AI støder på et nyt, tvetydigt udtryk, vil dets hentningssystem gennemgå tidligere afsnit for at finde relevante definitioner eller allerede oversatte eksempler og tilføre disse som en del af prompten til modellen. Dette sikrer, at oversættelsen på side 100 er fuldstændig identisk med oversættelsen på side 1.

3

Konsistens på tværs af dokumenter

For virksomhedskunder kan RAG-omfanget udvides til hele projektmappen. Når fil B oversættes, kan AI referere til termvalg fra fil A for at sikre konsistens i hele projektporteføljen.

Endelig løsningssammenfatning

Ved hjælp af RAG-teknologi har vi løst det mest udfordrende ‘glemsomhedsproblem’ i AI-oversættelse, hvilket er særligt velegnet til tekniske manualer og længere romaner.