قابلیت جدید Grounding در Gemini API: دقت بیشتر با Google Search

پیشرفت‌های سریع در هوش مصنوعی و یادگیری ماشین، نیاز به مدل‌های دقیق و مبتنی بر داده‌های به‌روز را افزایش داده است. در این راستا، کد اکسپلور در تلاش است مقاله‌ای را ارائه دهد که به معرفی جدیدترین قابلیت Google در Gemini API و AI Studio می‌پردازد. این قابلیت که با عنوان “Grounding با Google Search” معرفی شده، امکان استفاده از نتایج جستجوی گوگل را برای ارائه پاسخ‌های دقیق‌تر و قابل‌استناد به مدل‌ها می‌دهد. در ادامه، نحوه فعال‌سازی و کارکرد این قابلیت توضیح داده خواهد شد.

Grounding با Google Search چیست؟

قابلیت Grounding یا “پایدارسازی” به مدل‌های AI این امکان را می‌دهد تا برای ارائه پاسخ‌های دقیق‌تر و مرتبط‌تر، از منابع واقعی و به‌روز استفاده کنند. این قابلیت در Gemini API و Google AI Studio ارائه شده است و به مدل اجازه می‌دهد تا پاسخ‌های خود را بر اساس داده‌های جستجوی Google تنظیم کند. در نتیجه، مدل می‌تواند پاسخ‌هایی با جزئیات و دقت بیشتر ارائه دهد.

روش‌های فعال‌سازی Grounding

برای استفاده از این قابلیت، کاربران می‌توانند با دو روش متفاوت Grounding را در مدل‌های Gemini فعال کنند:

1. پیکربندی با استفاده از رشته متنی

model = genai.GenerativeModel('models/gemini-1.5-pro-002')
response = model.generate_content(contents="Who won Wimbledon this year?", tools='google_search_retrieval')
print(response)

2. پیکربندی با استفاده از دیکشنری

model = genai.GenerativeModel('models/gemini-1.5-pro-002')
response = model.generate_content(
    contents="Who won Wimbledon this year?",
    tools={"google_search_retrieval": {
        "dynamic_retrieval_config": {
            "mode": "unspecified",
            "dynamic_threshold": 0.06}}})
print(response)

این دو روش امکان کنترل بیشتر بر فرایند بازیابی اطلاعات و تنظیم دقیق پارامترها را به توسعه‌دهندگان می‌دهد.

مزایای استفاده از Grounding با Google Search

Grounding با Google Search مزایای متعددی را برای کاربران و توسعه‌دهندگان فراهم می‌کند:

• دقت بیشتر: استفاده از نتایج به‌روز گوگل به مدل‌ها کمک می‌کند تا پاسخ‌های دقیق‌تری ارائه دهند.
• کاهش خطای مدل: با استفاده از اطلاعات معتبر، احتمال تولید اطلاعات نادرست یا تصادفی (hallucination) کاهش می‌یابد.
• شفافیت بیشتر: پاسخ‌های مدل به منابع معتبر متصل هستند که کاربران می‌توانند به آن‌ها دسترسی پیدا کنند و اطلاعات را اعتبارسنجی کنند.
• افزایش اعتمادپذیری: وجود لینک‌های پشتیبانی در پاسخ‌ها، شفافیت بیشتری برای کاربران ایجاد می‌کند.

پیکربندی Dynamic Retrieval

یکی از قابلیت‌های مهم Grounding در Gemini API، بازیابی پویا یا Dynamic Retrieval است. این ویژگی به مدل این امکان را می‌دهد تا بر اساس نیازهای هر پرسش، از Google Search استفاده کند یا پاسخ را بدون Grounding ارائه دهد. برای این منظور، توسعه‌دهندگان می‌توانند با تنظیم پارامترهای mode و dynamic_threshold، رفتار مدل را کنترل کنند.

به عنوان مثال، با تنظیم یک آستانه پایین‌تر برای dynamic_threshold، مدل بیشتر به استفاده از Grounding تمایل پیدا می‌کند. این قابلیت به بهینه‌سازی کیفیت و سرعت پاسخ‌ها کمک می‌کند.

همچنین بخوانید: بررسی کدها بر اساس استانداردهای تیم با Tabnine Code Agent

قابلیت Grounding با Google Search در Gemini API و Google AI Studio یک گام بزرگ به سوی پاسخ‌های هوشمندانه‌تر و شفاف‌تر در هوش مصنوعی است. با اتصال پاسخ‌های مدل به منابع واقعی، این قابلیت به کاربران و توسعه‌دهندگان کمک می‌کند تا به اطلاعات به‌روز و معتبر دسترسی داشته باشند. در نهایت، این ویژگی نه تنها دقت پاسخ‌ها را افزایش می‌دهد، بلکه شفافیت و اعتمادپذیری بیشتری نیز برای کاربران به ارمغان می‌آورد.

اگر شما هم تجربه‌ای از استفاده از Grounding یا نظراتی در این خصوص دارید، خوشحال می‌شویم در بخش نظرات با ما به اشتراک بگذارید!

منبع: Google.dev