Które stwierdzenie opisuje korzyść z używania Retrieval-Augmented Generation (RAG) do zadań przetwarzania języka naturalnego?

RAG (Retrieval-Augmented Generation) łączy wyszukiwanie informacji z generowaniem tekstu, umożliwiając modelom językowym dostęp do aktualnych i specyficznych danych spoza ich pierwotnego zbioru treningowego. Dzięki temu modele mogą generować odpowiedzi, które są nie tylko płynne, ale również oparte na faktach i bardziej precyzyjne, czerpiąc wiedzę z zewnętrznych baz danych, dokumentów czy internetu. Pozostałe opcje są niepoprawne: RAG nie jest primarnie zaprojektowany do poprawy szybkości trenowania modeli językowych, choć może wpływać na efektywność ich zastosowania. Nie jest używany głównie do zadań rozpoznawania mowy, ani nie jest techniką augmentacji danych w widzeniu komputerowym; jego zastosowanie koncentruje się na przetwarzaniu języka naturalnego (NLP).