RAG itu singkatan dari apa?

Retrieval-augmented generation. Sistem mengambil potongan yang relevan dari dokumen Anda sendiri, lalu model bahasa menyusun jawabannya berdasarkan potongan tersebut.

Apakah RAG menghentikan halusinasi AI?

RAG sangat menguranginya untuk pertanyaan seputar bisnis, karena model menjawab dari potongan yang diambil, bukan dari ingatannya. Hasilnya paling baik dengan basis pengetahuan yang jelas dan mutakhir, serta agen yang mau mengakui ketika tidak menemukan informasi yang relevan.

Apakah saya perlu melatih ulang AI saat informasi saya berubah?

Tidak. Dengan RAG, Anda cukup memperbarui dokumennya, dan jawaban berikutnya akan menggunakan informasi baru. Tidak ada pelatihan model yang terlibat.

Dokumen apa yang sebaiknya saya unggah?

Mulailah dengan jawaban atas pertanyaan yang paling umum: produk dan harga, pengiriman dan retur, jam buka, serta detail kontak. Tambahkan lagi setiap kali agen menyerahkan pertanyaan yang tidak bisa dijawabnya.

RAG Dijelaskan: Dasarkan AI Anda pada Data Bisnis Nyata

Tanyakan kepada model AI umum berapa lama batas waktu retur di toko Anda, dan ia akan memberikan jawaban. Jawabannya terdengar meyakinkan. Namun bisa jadi jawaban itu dikarang, karena model tersebut tidak pernah melihat kebijakan retur Anda. Retrieval-augmented generation — RAG — adalah teknik yang mengatasi masalah ini, dan itulah alasan agen AI bisnis bisa dipercaya untuk berbicara dengan pelanggan.

Masalahnya: model AI tidak mengenal bisnis Anda

Model bahasa besar belajar dari teks publik dalam jumlah sangat besar. Itu membuatnya fasih, tetapi pengetahuannya berhenti pada data pelatihannya — dan data itu tidak pernah memuat harga, stok, jam buka, atau kebijakan Anda. Ketika model tidak memiliki suatu fakta, ia cenderung mengisi kekosongan dengan sesuatu yang terdengar masuk akal. Dalam percakapan dengan pelanggan, jawaban yang terdengar masuk akal tetapi salah — tanggal pengiriman, diskon, ketentuan garansi — lebih buruk daripada tidak menjawab sama sekali.

Cara kerja RAG, langkah demi langkah

1Penyerapan: dokumen Anda — daftar produk, FAQ, kebijakan, halaman situs web — dipecah menjadi potongan-potongan pendek.
2Pengindeksan: setiap potongan diubah menjadi representasi numerik (embedding) yang menangkap maknanya, sehingga dapat dicari berdasarkan makna, bukan kata yang persis sama.
3Pengambilan: saat pelanggan mengajukan pertanyaan, sistem menemukan potongan yang paling relevan.
4Pembuatan jawaban: model bahasa menulis balasan dengan menggunakan potongan-potongan tersebut sebagai sumbernya, bukan mengandalkan apa yang kebetulan diingatnya.

Karena pengambilan dilakukan berdasarkan makna, pelanggan yang bertanya "barangnya bisa dikembalikan?" tetap akan menemukan bagian berjudul "Retur dan penukaran", meskipun tidak ada kata yang sama persis.

Mengapa RAG penting untuk layanan pelanggan

Akurasi: jawaban berasal dari informasi Anda sendiri, sehingga harga dan kebijakan sesuai dengan apa yang benar-benar Anda tawarkan.
Mudah diperbarui: ubah dokumennya, maka jawaban agen ikut berubah — tanpa pelatihan ulang.
Jujur saat tidak tahu: jika tidak ada informasi relevan yang ditemukan, agen dapat mengatakan bahwa ia tidak tahu dan menyerahkan percakapan kepada manusia.
Satu sumber untuk semua kanal: basis pengetahuan yang sama menjawab di WhatsApp, Instagram, dan Facebook.

Cara menyiapkan basis pengetahuan yang efektif

RAG hanya bisa mengambil apa yang Anda berikan, jadi kualitas dokumen Anda menentukan kualitas jawabannya. Beberapa kebiasaan berikut membuat perbedaan besar:

Tulis jawaban atas pertanyaan yang paling sering Anda terima, dengan bahasa sederhana, satu topik per bagian.
Sertakan detail spesifik yang ditanyakan pelanggan: harga, ukuran, waktu pengiriman, area layanan, jam buka.
Hapus dokumen yang sudah usang, jangan biarkan versi lama dan baru berdampingan.
Tinjau percakapan yang diserahkan agen ke manusia — masing-masing biasanya menunjukkan jawaban yang belum ada dan bisa Anda tambahkan.

RAG di Neksio

Setiap agen Neksio menggunakan RAG. Anda mengunggah dokumen (dan, pada paket berbayar, situs web serta FAQ Anda), lalu agen menjawab berdasarkan dokumen tersebut di WhatsApp, Instagram, dan Facebook. Untuk gambaran yang lebih luas tentang perbedaan agen dengan chatbot, baca apa itu agen AI.

Buat agen bertenaga RAG secara gratis

Mulai dengan satu dokumen; tambahkan lagi seiring waktu.

Pertanyaan yang sering diajukan

RAG itu singkatan dari apa?: Retrieval-augmented generation. Sistem mengambil potongan yang relevan dari dokumen Anda sendiri, lalu model bahasa menyusun jawabannya berdasarkan potongan tersebut.
Apakah RAG menghentikan halusinasi AI?: RAG sangat menguranginya untuk pertanyaan seputar bisnis, karena model menjawab dari potongan yang diambil, bukan dari ingatannya. Hasilnya paling baik dengan basis pengetahuan yang jelas dan mutakhir, serta agen yang mau mengakui ketika tidak menemukan informasi yang relevan.
Apakah saya perlu melatih ulang AI saat informasi saya berubah?: Tidak. Dengan RAG, Anda cukup memperbarui dokumennya, dan jawaban berikutnya akan menggunakan informasi baru. Tidak ada pelatihan model yang terlibat.
Dokumen apa yang sebaiknya saya unggah?: Mulailah dengan jawaban atas pertanyaan yang paling umum: produk dan harga, pengiriman dan retur, jam buka, serta detail kontak. Tambahkan lagi setiap kali agen menyerahkan pertanyaan yang tidak bisa dijawabnya.