RAG-arkkitehtuurin optimointi ja tekoälyassistentin arviointi AI-assistentti ammattilaiselle -hankkeessa: kirjallisuuskatsaus ja tapaustutkimus
Year: 2026
Type: dissertation
Abstract: Suurten kielimallien kehittyminen on edistänyt luonnollisen kielen käsittelyä tavoilla, jotka eivät ole olleet aikaisemmin mahdollisia, ja täten avannut uusia sovellusmahdollisuuksia tekoälyavusteisten sovellusten hyödyntämiseen sosiaali- ja terveydenhuollossa. Suuret kielimallit kykenevät suoriutumaan monenlaisista tehtävistä, mutta niiden toiminta on rajoittunutta käsiteltäessä toimialakohtaista tai usein päivittyvää tietoa. RAG eli Retrieval-Augmented Generation -arkkitehtuuri mahdollistaa suuren kielimallin tietopohjan laajentamisen eri lähteistä haetulla, kielimallin koulutusmateriaalin ulkopuolisella tiedolla. Tutkielman tarkoituksena oli selvittää RAG-järjestelmien yleisimpiä toteutusratkaisuja, niihin liittyviä haasteita sekä optimointimenetelmiä. Lisäksi tutkielmassa tarkasteltiin AI-assistentti ammattilaiselle -hankkeessa Keski-Suomen hyvinvointialueelle toteutettua tekoälyassistenttia. RAG-järjestelmiä käsiteltiin kirjallisuuskatsauksen avulla ja hankkeessa toteutettua tekoälyassistenttia tapaustutkimuksen menetelmin. Kirjallisuuskatsaus osoitti, että RAG-järjestelmien kehitys on etenemässä kohti joustavia ja kyselykohtaisesti mukautuvia ratkaisuja, joissa aineiston hakutapa, hyödynnettävät tietolähteet sekä kielimallille välitettävä konteksti valitaan käyttäjän kysymyksen perusteella. Tarvittaessa vastaus voidaan palauttaa käyttäjälle myös välimuistista tai tuottaa hyödyntämällä ulkoisia työkaluja. Kirjallisuuskatsauksessa tunnistettiin useita parannusratkaisuja aineiston esikäsittelyyn, hakuvaiheen tehostamiseen sekä kielimallin kyselyjen uudelleenkirjoittamiseen, joita voidaan hyödyntää samankaltaisten järjestelmien jatkokehityksessä. Tapaustutkimuksen havainnot toteutetun tekoälyassistentin kehityskohteista suhteutettiin kirjallisuuskatsauksen tuloksiin. Keskeisimmiksi jatkokehitystarpeiksi tunnistettiin tietolähteiden esikäsittelyn ja hakuvaiheen parantaminen sekä käyttötapaukseen soveltuvien jatkuvan arvioinnin ja laadunvarmistuksen menetelmien kehittäminen. Järjestelmän ensisijainen lisäarvo näyttäytyy tilanteissa, joissa se kokoaa useista tietolähteistä haun kannalta osuvimman sisällön ja esittää sen lähteineen. Tämän vuoksi seuraavan kehitysvaiheen tavoitteena tulisi olla varmistaa, että hakuprosessi palauttaa käyttötapauksen kannalta osuvimmat dokumentit lähdelinkkeineen. Jatkokehityksessä on perusteltua noudattaa vaiheittaista lähestymistapaa, jossa järjestelmän eri osien toimintaa arvioidaan ja kehitetään järjestelmällisesti havaittujen tulosten sekä käyttäjäpalautteen perusteella. Tutkielman tulokset korostavat RAG-järjestelmien kehityksessä olevan keskeistä varmistaa aineiston esikäsittelyn sekä hakuvaiheen luotettava toiminta. RAG-järjestelmien kehitys on vahvasti käyttötapauskohtaista ja edellyttää iteratiivista kehitystyötä, järjestelmän osien vaiheittaista arviointia ja jatkuvaa mukauttamista vastaamaan käyttötapauksen erityistarpeita. Tämän lisäksi tiivis yhteistyö teknisten toimijoiden ja järjestelmän käyttäjien välillä on ensiarvoisen tärkeää.
Author: Rutanen, Olli
Language: Finnish
Topic: Topic Modeling
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7197328290