Keď klient príde s požiadavkou „chceme AI, ktorá bude odpovedať z našich dokumentov", prvá otázka, ktorú si treba zodpovedať, je: RAG alebo doladenie? Odpoveď vo väčšine prípadov je RAG. Ale nie vždy. Poďme si to rozobrať.
Čo je RAG a čo doladenie
RAG (Retrieval-Augmented Generation) znamená, že AI nedostane informácie „do hlavy" trénovaním, ale pri každej otázke si ich vyhľadá vo Vašej databáze dokumentov a použije ich ako kontext pre odpoveď. AI teda zostáva všeobecná, Vaše dáta zostávajú vonku.
Doladenie (fine-tuning) znamená, že vezmete existujúci model a dotrénujete ho na Vašich dátach. Informácie sa stanú súčasťou váh modelu. Model sa stáva špecializovaným.
| Kritérium | RAG | Doladenie |
|---|---|---|
| Aktualizácia dát | Okamžitá (pridáte dokument) | Dotrénovanie (dni až týždne) |
| Citácie zdrojov | Áno — vieme ukázať, odkiaľ odpoveď pochádza | Nie — vedomie je „rozptýlené" vo váhach |
| Kontrola halucinácií | Vysoká — odpoveď je viazaná na zdroj | Nižšia — model sa môže „rozpomenúť" nesprávne |
| Náklady na údržbu | Nízke | Vysoké (každá zmena = dotrénovanie) |
| Vhodné pre | Fakty, dokumenty, pravidlá, produkty | Štýl, tón, formát, špecializovanú doménu |
Prečo RAG vyhráva väčšinu prípadov
Pre firemné nasadenie — chatbot na podporu, asistent na interné dokumenty, vyhľadávanie v produktoch — je RAG takmer vždy správna voľba. Tri dôvody:
- Dáta sa menia. Produkty, ceny, pravidlá, zmluvy — všetko sa mení. Pri RAG pridáte nový dokument a je okamžite dostupný. Pri doladení musíte model dotrénovať.
- Potrebujete citácie. V B2B a regulačnom prostredí musíte vedieť povedať, odkiaľ odpoveď pochádza. RAG to umožňuje, doladenie nie.
- Halucinácie sú drahé. AI, ktorá si vymyslí klauzulu zmluvy, je riziko. RAG viaže odpoveď na reálny zdroj a výrazne znižuje riziko vymyslenia.
Ak odpoveď závisí od faktov, ktoré sa menia, použite RAG. Ak odpoveď závisí od štýlu alebo formátu, uvažujte o doladení. V praxi 9 z 10 firemných nasadení skončí pri RAG.
Kedy má doladenie zmysel
Doladenie má svoje opodstatnenie. Má zmysel v týchto prípadoch:
- Konzistentný tón a štýl — napríklad AI, ktorá píše marketingové texty v štýle Vašej značky. Doladenie naučí model štýl efektívnejšie než dlhé inštrukcie.
- Špecializovaná doména — medicínske, právne alebo technické texty, kde všeobecný model nechápe terminológiu. Doladenie zlepší porozumenie.
- Formát výstupu — keď potrebujete striktne štruktúrovaný výstup (JSON s konkrétnou schémou) a inštrukcie nestačia.
- Zníženie nákladov — pri vysokej záťaži môže menší doladený model nahradiť veľký model s dlhým kontextom.
Kedy ich skombinovať
Najsilnejšie riešenie je často doladený model + RAG. Doladenie naučí model štýl a doménu, RAG dodá aktuálne fakty. Typický prípad: právnická AI, ktorá je doladená na právny jazyk a štruktúru odpovedí, ale konkrétne zákony a judikatúru čerpá cez RAG z aktuálnej databázy.
Začnite s RAG. Pridajte doladenie len vtedy, keď RAG s dobrou inštrukciou nedosahuje požadovanú kvalitu štýlu alebo formátu. Väčšina projektov sa pri RAG zastaví — a to je v poriadku.
Praktický postup
Náš štandardný postup pri firemnej AI:
- Zmapujte zdroje — dokumenty, databázy, FAQ, produkty.
- Rozdeľte na časti — logické celky (odsek, sekcia, produkt).
- Vektorizujte — vložte do vektorovej databázy (pgvector, Qdrant, Pinecone).
- Nasaďte vyhľadávanie — hybridné vyhľadávanie (sémantické + kľúčové slová).
- Zaradenie rerankera — preusporiadanie výsledkov podľa relevancie pre presnejšie odpovede.
- Otestujte na reálnych otázkach — sadou otázok a očakávaných odpovedí.
- Zmerajte a iterujte — sledujte presnosť, citácie a spokojnosť používateľov.
Až keď RAG beží a vidíte, kde štýl alebo formát zaostáva, uvažujte o doladení. V 9 z 10 prípadov sa k tomu nedostanete — a ušetríte tak čas aj náklady. Ak si nie ste istí, ktorú cestu zvoliť, napíšte nám. Urobíme Vám bezplatnú analýzu dát a navrhneme architektúru, ktorá dáva zmysel pre Váš prípad.