Kecerdasan Buatan

RAG (Retrieval-Augmented Generation)

Ringkasan Cepat
  • RAG menggabungkan AI dengan pencarian data eksternal sebelum menyusun jawaban
  • Membantu mengurangi halusinasi AI karena jawaban berdasar sumber nyata, bukan cuma ingatan model
  • Dipakai luas di chatbot customer service dan fitur pencarian AI yang butuh data terkini

RAG (Retrieval-Augmented Generation) adalah teknik yang menggabungkan model AI dengan sistem pencarian data eksternal, sehingga model bisa mengambil informasi spesifik dan terkini dari sumber terpercaya terlebih dahulu, baru kemudian menyusun jawaban berdasarkan informasi itu — alih-alih hanya mengandalkan apa yang “diingatnya” dari data pelatihan yang sudah usang.

Kenapa RAG Dibutuhkan

Model AI seperti LLM punya batas waktu data pelatihan (training cutoff) — ia tidak otomatis tahu kejadian setelah tanggal itu, dan cenderung “mengarang” jawaban yang terdengar meyakinkan ketika ditanya sesuatu di luar pengetahuannya (lihat halusinasi AI). RAG mengatasi ini dengan memberi model akses real-time ke sumber data eksternal, sehingga jawabannya bisa mengikuti informasi terbaru atau spesifik pada dokumen tertentu.

Cara Kerjanya

Prosesnya dua tahap: pertama, sistem mengambil (retrieve) potongan dokumen atau data yang paling relevan dengan pertanyaan pengguna dari basis data tertentu (bisa berupa dokumen internal perusahaan, artikel terbaru, atau database khusus). Kedua, potongan data itu disisipkan sebagai konteks tambahan ke model AI, yang kemudian menyusun (generate) jawaban berdasarkan konteks nyata itu, bukan cuma dari ingatan pelatihannya.

Contoh Penerapannya

Chatbot customer service yang menjawab berdasarkan dokumentasi produk terbaru perusahaan (bukan info generik), fitur pencarian AI yang menyertakan sumber/link referensi di jawabannya, dan asisten riset internal yang menjawab pertanyaan berdasarkan kumpulan dokumen spesifik organisasi — semuanya contoh penerapan RAG yang sudah umum dipakai.

Kesalahan Umum Soal RAG

Banyak yang mengira RAG otomatis menghilangkan halusinasi AI sepenuhnya. Padahal RAG hanya mengurangi risikonya secara signifikan dengan memberi model “bahan” yang lebih akurat — kalau data yang diambil sistem retrieval-nya sendiri kurang relevan atau kurang lengkap, model tetap bisa menyusun jawaban yang kurang tepat, meski risikonya jauh lebih kecil dibanding tanpa RAG sama sekali.

Pertanyaan Umum

Apa beda RAG dengan fine-tuning?
Fine-tuning melatih ulang model dengan data baru sehingga pengetahuannya “menyatu” permanen ke dalam model. RAG tidak mengubah model sama sekali — ia hanya menambahkan data eksternal sebagai konteks tambahan saat menjawab, sehingga lebih mudah diperbarui tanpa melatih ulang model dari awal.
Apakah RAG bisa menghilangkan halusinasi AI sepenuhnya?
Tidak sepenuhnya, tapi bisa menguranginya secara signifikan karena jawaban model jadi berdasar pada data nyata yang diambil sistem retrieval, bukan cuma ingatan dari data pelatihan yang berpotensi usang atau tidak lengkap.
Aplikasi apa saja yang memakai RAG?
Chatbot customer service berbasis dokumentasi perusahaan, fitur pencarian AI yang menampilkan sumber referensi, dan asisten riset internal yang menjawab berdasarkan kumpulan dokumen spesifik organisasi.

Istilah Terkait

← Kembali ke Kamus Teknologi