Welke benadering verbetert de nauwkeurigheid door actuele informatie op te nemen tijdens de inferentie voor een natural language generation-model dat afhankelijk is van frequent veranderende inventarisgegevens?

Retrieval Augmented Generation (RAG) is de juiste benadering omdat het een generatief model (zoals een LLM) combineert met een retrieval-systeem. Voor frequent veranderende inventarisgegevens kan het retrieval-systeem de meest actuele informatie uit een externe database ophalen en deze als context aan het generatieve model aanbieden. Dit stelt het model in staat om nauwkeurige en actuele antwoorden te genereren, zelfs als de oorspronkelijke trainingsdata verouderd zijn. Transfer learning is een techniek waarbij een voorgegetraind model wordt aangepast voor een nieuwe taak, maar garandeert geen actuele informatie tijdens inferentie. Federated learning traint modellen gedecentraliseerd op lokale datasets zonder de gegevens te centraliseren, wat niet direct de actualiteit van inventarisgegevens aanpakt. One-shot prompting is een techniek om een model met slechts één voorbeeld te instrueren, maar biedt geen mechanisme om dynamisch bijgewerkte externe informatie te integreren.