هوش مصنوعی مولد همیشه الگوی جست‌وجوها را به هم زده است. این فناوری است که می‌تواند تقریبا برای هر سوالی، یک پاسخ پیدا کند و در فرآیند تغییر دنیای جست‌وجو، توسعه‌دهندگان هوش مصنوعی به کار دیگری دست پیدا کرده‌اند که جست‌وجو و هوش مصنوعی را بیشتر با هم ترکیب می‌کند. هوش مصنوعی مولد سه جنبه اساسی جست‌وجو را تغییر داده است که عبارتند از نحوه درخواست و جست‌وجوی اطلاعات افراد، نحوه دریافت داده برای پاسخ و در نهایت اینکه چگونه شرکت‌ها می‌توانند این اطلاعات را به مشتریان خود ارائه دهند.

سال‌هاست که گوگل حاکمیت جست‌وجوی اینترنتی را در اختیار خود داشته است. به عنوان موتور جست‌وجوی مسلط – با تقریبا ۸۲ درصد از ترافیک جست‌وجو- روش جست‌وجوی کاربران و مشتریان برای اطلاعات و نحوه نمایش برندها در نتایج جست‌وجو را دیکته می‌کرد. شرکت‌ها باید به استراتژی‌های بهینه‌سازی موتور جست‌وجو (SEO) تکیه می‌کردند و افراد جست‌وجوهایشان را در قالب کلمات کلیدی انجام می‌دادند. هرچند این اقدامات همیشه هم نتایج خوبی به همراه نداشت، اما قابل قبول بود و همه به تدریج یاد گرفتند که سوالاتشان را به کلمات کلیدی ترجمه و تفسیر کنند تا ببینند که کدام یک از لیست‌های وب‌سایت‌ها در صفحات نتایج جست‌وجو ممکن است پاسخ مورد نظرشان را داشته باشد.

مدل‌های زبانی بزرگ (LLM) این روند را تغییر دادند؛ به خصوص در زمانی که در چت‌بات‌هایی مانند چت جی‌پی‌تی شرکت اوپن ای‌آی مستقر شدند. مردم می‌توانند هر لحظه که می‌خواهند، هر سوالی را بپرسند و بلافاصله پاسخ را دریافت کنند. نیازی به کلیک روی لینک‌های یک‌سری از وب‌سایت‌ها نیست و همه‌چیز به سادگی توضیح داده شده است. کریستین وارد، مدیر ارشد اطلاعات در پلتفرم مدیریت اطلاعات Yext، در این مورد می‌گوید: «اگر هوش مصنوعی داشتید که می‌توانست نتایج جست‌وجو را درک کند و به روشی واضح با شما صحبت کند تا نتایج را توضیح دهد، این پیشرفت چشمگیری نسبت به روند جست‌وجوی امروز برای مرور پنج میلیون صفحه نتایج است.»

جست‌وجو با سوال به جای کلمات کلیدی
در حال حاضر هوش مصنوعی مولد مردم را تشویق می‌کند تا به جای تمرکز بر کلمات کلیدی، سوالات واقعی را به زبان طبیعی بپرسند. این کار به مردم اجازه می‌دهد تا اطلاعات مورد نیازشان را ببینند تا اینکه مجبور باشند در یک وب‌سایت به اندازه کافی خوب جست‌وجو کنند. شرکت هوش مصنوعی Perplexity از مزیت این تغییر در روش‌های جست‌وجو استفاده کرد و جایگاهش را بیشتر به عنوان یک موتور جست‌وجو تثبیت کرد تا چت‌باتی که می‌تواند کد بنویسد یا آثار هنری تولید کند. این شرکت با ارائه‌دهندگان داده مانند Yelp و Wolfram Alpha برای جمع‌آوری بهتر داده‌ها همکاری کرده است. این استراتژی مفید بوده است؛ تا جایی که طبق گزارش مجله آنلاین ونچربیت، پلتفرم Perplexity در ارجاعات ترافیکی رشد قابل‌توجهی کرده است.

حتی گوگل هم به خوبی تشخیص داد که می‌تواند از دسترسی گسترده‌اش به داده‌ها استفاده کند و در کنفرانس توسعه‌دهندگان Google I/O علاوه بر ادغام جست‌وجوی گوگل در چت‌بات جمنای خود، تصویر کلی از هوش مصنوعی را معرفی کرد که نتایج جست‌وجو را خلاصه می‌کند. با این حال اما این موضوع برای شرکت‌ها فقط به یادگیری نحوه استفاده از زبان طبیعی هنگام پرسیدن سوال محدود نمی‌شود، بلکه یادگرفتن مهارت پاسخگویی بر اساس اسناد به دست آمده از این جست‌وجو را هم شامل می‌شود.

تکنیک هوش مصنوعی نسل بازیابی افزوده (RAG) در حال تبدیل شدن به یک روند بزرگ در حوزه هوش مصنوعی مولد است، چون ارائه‌دهندگان الگوی زبانی به دنبال راه‌هایی برای ارائه خدمات اضافی به شرکت‌ها هستند. تکنیک RAG به شرکت‌ها این امکان را می‌دهد تا الگوهای هوش مصنوعی را در داده‌های خود زمینه‌‌سازی کرده و اطمینان حاصل کنند که نتایج از اسناد درون شرکت می‌آیند. در این تکنیک اطلاعاتی فراتر از داده‌های اصلی که معمولا برای آموزش الگوی زبانی اصلی استفاده می‌شوند، بازیابی می‌شود و هدف نهایی آن تولید پاسخ‌های به‌روزتر است.

بن فلاستریال، مدیر بخش مدیریت محصول در شرکت MongoDB در این مورد معتقد است: «الگوهای بزرگ زبانی بسیار خوب شده‌اند، بنابراین شما می‌توانید بسیاری از کارها را در کمترین زمان ممکن انجام دهید. اما واقعا در مواردی مانند پشتیبانی امور مشتریان و سایر موارد استفاده داخلی، اشتیاق زیادی در این زمینه دیده‌ام.» او همچنین اضافه کرد که ارزش تکنیک RAG در توانایی آن در ارجاع به اسناد واقعی نهفته است که دسترسی کاربران را به پاسخ‌های مورد نظر آسان می‌کند.

تغییردهندگان بزرگ بازی در حوزه هوش مصنوعی از جمله خدمات وب آمازون (AWS) و مایکروسافت شروع به ارائه خدمات ویژه RAG به مشتریان کرده‌اند، اما اکوسیستم RAG به سرعت در حال رشد است. شرکت‌هایی مانند Elastic، Pinecone و Qdrant پایگاه داده‌هایی را برای نگاشت نمودارهای دانش به چارچوب‌های RAG ارائه می‌دهند. فلست همچنین اشاره می‌کند که ابزارهای نظارتی برای سیستم‌های RAG هنوز در مراحل ابتدایی خود هستند، با این حال شرکت‌ها بیشتر و بیشتر از تکنیک RAG استقبال می‌کنند. در حال حاضر اما بسیاری از کاربردهای این تکنیک محدود باقی مانده‌اند، چون هنوز هم مستعد خطا هستند. ارائه‌دهندگان شرکت‌ها را تشویق می‌کنند تا ابتدا الگوهای RAG را ارزیابی کنند. AWS که تکنیک RAG را با محصول آمازون Q به بخش بزرگی از استراتژی هوش مصنوعی خود تبدیل کرد، روش جدیدی را برای آزمایش دقت نتایج به دست آمده با RAG ارائه کرده است.

با رشد الگوهای RAG ممکن است شرکت‌ها با تغییر دیگری در روند جست‌وجو مواجه شوند. راه‌های زیادی برای ارسال یک درخواست جست‌وجو در حال شکل‌گیری هستند، بنابراین شرکت‌ها باید ببینند که می‌خواهند داده‌ها را خودشان ارائه دهند یا به ارائه منفعلانه اطلاعات یا جمع‌آوری اطلاعات مانند Google ادامه دهند. روشن شدن این موضوع به آنها اجازه می‌دهد تا روش ارائه اطلاعات‌شان به مشتریان را کنترل کنند.