Model kecerdasan buatan kadang memberi jawaban yang terdengar meyakinkan padahal salah. Salah satu teknik yang dipakai industri untuk mengatasinya bernama RAG, singkatan dari retrieval augmented generation. Teknik ini membuat AI menjawab dengan merujuk dokumen yang benar benar ada, bukan mengarang dari ingatan.
Cara kerjanya bisa dibayangkan seperti pustakawan yang cermat. Sebelum menjawab pertanyaan, pustakawan itu mencari dulu buku yang paling relevan di rak, membacanya, lalu menjawab berdasarkan isi buku tersebut. RAG melakukan hal yang sama, hanya saja rak bukunya adalah kumpulan dokumen digital dan pencariannya berjalan dalam hitungan detik.
Tiga Langkah di Balik Layar RAG
Langkah pertama adalah persiapan. Dokumen dipecah menjadi potongan kecil, lalu setiap potongan diubah menjadi deretan angka yang mewakili maknanya. Deretan angka ini disimpan dalam basis data khusus yang bisa mencari berdasarkan kemiripan makna, bukan sekadar kecocokan kata.
Langkah kedua adalah pencarian. Saat pengguna bertanya, pertanyaan itu diubah menjadi deretan angka yang sama lalu dicocokkan dengan isi basis data. Sistem mengambil beberapa potongan dokumen yang maknanya paling dekat dengan pertanyaan.
Langkah ketiga adalah penyusunan jawaban. Potongan dokumen terpilih diserahkan ke model bahasa sebagai bahan rujukan, lalu model merangkai jawabannya berdasarkan bahan itu. Hasilnya jawaban yang lebih akurat, bisa menyebut sumber, dan bisa memakai data terbaru yang tidak ada dalam pelatihan model.
Di Mana Teknik Ini Dipakai
RAG banyak dipakai di layanan pelanggan otomatis. Chatbot perusahaan dilatih atas katalog produk, daftar harga, dan prosedur layanan, sehingga jawabannya konsisten dengan kebijakan resmi. Asisten dokumen memakai teknik yang sama untuk menjawab pertanyaan dari arsip internal perusahaan.
Untuk UMKM di Indonesia, RAG membuka peluang menarik. Toko daring bisa punya asisten yang hafal seluruh katalog dan menjawab pertanyaan pembeli kapan saja. Kantor bisa punya asisten yang menjawab dari SOP internal tanpa harus bertanya ke atasan.
Bukan Obat Mujarab untuk Semua Masalah
Meski canggih, RAG bukan tanpa batas. Kualitas jawaban sangat bergantung pada kualitas dokumen. Dokumen yang berantakan, kedaluwarsa, atau saling bertentangan akan menghasilkan jawaban yang juga bermasalah. Teknik ini tidak memperbaiki data yang buruk.
Ada juga pendekatan lain bernama fine tuning, yaitu melatih ulang model dengan data khusus. Keduanya bisa dikombinasikan, dan pilihan terbaik tergantung kebutuhan. Intinya, RAG membuat AI lebih jujur karena jawabannya berpijak pada dokumen nyata yang bisa diperiksa ulang.
