在最近一篇关于药物发现中的知识图谱和大型语言模型 (LLM) 的文章中，我们指出，尽管 LLM 在药物发现方面具有变革潜力，但仍需解决几个关键挑战，以确保这些技术符合生命科学研究所要求的严格标准。
将知识图谱与 LLM 协同整合为一个双向数据和知识推理框架，解决了幻觉和缺乏可解释性等问题。然而，这仍然面临挑战，即如何让 LLM 访问外部数据源，以解决其在事实准确性和最新知识回忆方面的局限性。
检索增强 奥地利手机数据 生成 (RAG) 与知识图谱和 LLM 一起，是将语言模型的转化潜力稳健可靠地集成到药物发现流程中所需三种技术中的第三个关键节点。
为什么要使用检索增强生成？
通用法学硕士的一个关键限制是其训练数据截断，这实质上意味着它们对查询的响应通常与信息的快速发展性质脱节。这是一个严重的缺点，尤其是在生命科学研究等快节奏领域。
检索增强生成使生物医学研究流程能够通过以下方式优化 LLM 输出：
将语言模型建立在外部有针对性和最新知识源的基础上，以不断刷新 LLM 的内部信息表示，而无需完全重新训练模型。这可确保响应基于最新数据并且更符合上下文。
提供对模型信息的访问权限，以便可以验证响应的准确性和来源，确保可以检查其声明的相关性和准确性。
简而言之，检索增强生成提供了必要的框架来增强 LLM 生成信息的新近性、准确性和可解释性。