چکيده
در سال‌هاي اخير پيشرفت‌هاي هوش مصنوعي تعامل ما با فناوري را به طور چشمگيري تغيير داده است. هوش مصنوعي اكنون با درك بهتر زبان و رفتار كاربران، تعاملات پيچيده‌تري ايجاد مي‌كند و كاربران ديگر به پاسخ‌هاي ساده قانع نبوده و به دنبال تجربه‌هاي مشابه مكالمات انساني هستند.
با ظهور معماري ترنسفورمرها تحول بزرگي در حوزه پردازش زبان طبيعي رخ داد. اين مدل‌ها با استفاده از مكانيزم توجه توانستند به طور قابل توجهي عملكرد بهتري نسبت به مدل‌هاي پيش از خود نشان دهند و توجه زيادي را به خود جلب كنند. با اين حال، مدل‌هاي ترنسفورمر اوليه به دليل نياز به حجم زيادي از داده‌هاي آموزشي عمومي، در درك و استفاده از اطلاعات دامنه محور براي مسائل مختلف، محدود بودند. براي حل اين مشكل، رويكرد تنظيم دقيق معرفي شد كه اين روش امكان آموزش مجدد مدل‌هاي پيش آموزش ديده روي داده‌هاي خاص يك حوزه را فراهم مي‌سازد به طوري كه مدل بتواند دانش عمومي خود را با نيازهاي خاص و اطلاعات زمينه‌اي هر مسئله هماهنگ كند. با اينكه تنظيم دقيق باعث بهبود قابل ملاحظه در دقت و انعطاف‌پذيري مدل‌هاي ترنسفورمر شد اما اين روش هزينه‌هاي محاسباتي بالايي دارد. به همين دليل، پژوهشگران به دنبال راه‌حل‌هاي كارآمدتر رفتند و يكي از اين رويكردها توليد تقويت شده با بازيابي است. در اين روش‌ها به جاي تكيه كامل بر تنظيم دقيق، از يك پايگاه داده خارجي براي بازيابي اطلاعات مرتبط استفاده مي‌كنند و سپس از اين اطلاعات در كنار توانايي‌هاي توليدي ترنسفورمرها بهره مي‌گيرند. اين روش نه تنها نياز به تنظيم دقيق گسترده را كاهش مي‌دهد، بلكه انعطاف‌پذيري بالاتري را در ارائه پاسخ‌هاي دقيق و به‌روز فراهم مي‌كند. از اين رو در اين سمينار قصد داريم به بررسي انواع روش‌هاي موجود و پيشنهادي براي زمينه‌سازي در توليد تقويت شده با بازيابي بپردازيم و با چالش‌ها و كاربردهاي مختلف اين حوزه آشنا شويم.
