A RAG a végfelhasználói szinten = RAG at the End-User Level

Ungváry, Rudolf (2026) A RAG a végfelhasználói szinten = RAG at the End-User Level. In: A tudomány, az oktatás és a közgyűjteményi kiszolgálás új informatikai szinergiái : NETWORKSHOP 2026 : 35. Országos Informatikai Konferencia : 2026. március 31-április 2. Debreceni Egyetem, Debrecen. Hungarnet Egyesület, Budapest, pp. 41-54. ISBN 9786156792297

Preview

Text nws_2026_inpress_ungvary.pdf - Published Version Available under License Creative Commons Attribution. Download (508kB) | Preview

Abstract

A RAG (Retrieval-Augmented Generation)– a forráselőírt információkeresés – elfogadott magyar meghatározása még nem létezik. Ami van, azt lényegében az informatika szaknyelvén fogalmazzák meg. (Pl. beágyazott visszakereséssel végzett generálás, lekéréses kibővített generáció, a generatív MI képességeit külső információforrásokkal ötvöző adatlekérdezés, visszakereséssel bővített generálás, adatlekérésre alapozott generálás/mesterséges intelligenciák.) A természetes nyelvet használó, nem informatikus végfelhasználó számára nehezen derül ki, hogy pontosan, az ő gondolkodása, az ő teendői szempontjából miről van szó. Egyszerűen fogalmazva meg kell adnia általa kiválasztott forrásokat, beleértve külső adatbázisokat is az MI rendszerének, (mint amilyen pl. a ChatGPT), hogy azokat is „beágyazva” a rendszer elvégezze a megadott tárgyú információ keresését. A többnyire speciális, olykor az interneten hiányzó forrásokat megadva a felhasználó pontosabb, szakszerűbb válaszokat kap, adott esetben a saját szakterületén használatos különleges szakkifejezésekkel megfogalmazva. Más szóval a generatív MI nem csak saját „tudására”, hanem konkrét, külső forrásokra is támaszkodik a válaszadáskor. Kétségtelen, hogy ezáltal a felhasználó jobb eredményeket kaphat, mintha e források nélkül kérdezne (fogalmazná meg a promtot). A 2025. évi konferencián már ismertettünk ilyen külső, a felhasználó által megadott forrást alkalmazó eljárást a MARC21 magyarra fordításához, de magával az MI-vel végzett, forráselőírt információkereséssel nem foglalkoztunk. Most ismertetjük, hogyan használhatja a végfelhasználó a számára rendelkezésre álló eljárást, és összehasonlítjuk a RAG ama fejlesztői, ipari, professzionális változatával, melynek kialakításához informatikai szakismeret szükséges – noha használatához, ha jó a kialakított rendszer, a felhasználónak szintén nincs szüksége beható informatikai szakismeretekre. Konklúziók: 1. Az LLM nem tudástár. 2. „Tudásához” meg kell adni a forrásokat. 3. A legspecifikusabb információk nincsenek a hálón 4 Nem a legfrissebb információ van a hálón. 5. Az igazán összetett, mélységi forráselőírt kereséshez nem elég a végfelhasználói ismeret. 6. A jövő a specializálódott RAG szövegalapú párbeszédrendszereké („chatbot”). | The accepted Hungarian definition of RAG – source-prescribed information retrieval – does not yet exist. What does exist is essentially formulated in the technical language of computer science (e.g., generation with embedded retrieval, retrieval-augmented generation, data querying that combines the capabilities of generative AI with external information sources, generation enhanced with retrieval, generation based on data retrieval/ artificial intelligences). For an end user who is not an IT specialist but uses natural language, it is difficult to understand exactly what this means from the perspective of their own thinking and tasks. Simply put, the user must provide their AI system (such as ChatGPT) with selected sources – including external databases – so that the system can incorporate (“embed”) them and perform information retrieval on the specified topic. By supplying sources that are often specialized and sometimes absent from the internet, the user can obtain more precise and professionally formulated answers, in some cases expressed using the special terminology of their own field. In other words, generative AI relies not only on its own “knowledge” but also on specific external sources when producing answers. There is no doubt that in this way the user can obtain better results than by asking questions (formulated prompts) without such sources. At the 2025 conference we already presented a procedure using such external, user-provided sources for the translation of MARC21 into Hungarian, but we did not address source-prescribed information retrieval carried out with AI itself. We now describe how the end user can employ the method available to them, and we compare it with the developer-level, industrial, professional version of RAG, the creation of which requires IT expertise – although, if the system is well designed, its use likewise does not require deep IT knowledge from the user. Conclusions: 1. An LLM is not a knowledge repository. 2. Sources must be provided for its “knowledge.”. 3. The most specific information is not on the web. 5. Truly complex, in-depth source-prescribed retrieval cannot be carried out with end-user knowledge alone. 6. The future belongs to specialized, RAG-based text dialogue systems (“chatbots”)

Actions (login required)

Edit Item