Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Membandingkan Retrieval Augmented Generation dan fine-tuning
<a name="rag-vs-fine-tuning"></a>

Tabel berikut menjelaskan keuntungan dan kerugian dari pendekatan fine-tuning dan berbasis RAG.


****  

| Pendekatan | Keuntungan | Kekurangan | 
| --- | --- | --- | 
| Penyetelan halus | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/prescriptive-guidance/latest/retrieval-augmented-generation-options/rag-vs-fine-tuning.html) | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/prescriptive-guidance/latest/retrieval-augmented-generation-options/rag-vs-fine-tuning.html) | 
| LAP | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/prescriptive-guidance/latest/retrieval-augmented-generation-options/rag-vs-fine-tuning.html) | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/prescriptive-guidance/latest/retrieval-augmented-generation-options/rag-vs-fine-tuning.html) | 

Jika Anda perlu membangun solusi penjawab pertanyaan yang mereferensikan dokumen kustom Anda, maka kami sarankan Anda memulai dari pendekatan berbasis RAG. Gunakan fine-tuning jika Anda membutuhkan model untuk melakukan tugas tambahan, seperti meringkas.

Anda dapat menggabungkan pendekatan fine-tuning dan RAG dalam satu model. Dalam kasus ini, arsitektur RAG tidak berubah, tetapi LLM yang menghasilkan jawaban juga disesuaikan dengan dokumen khusus. Ini menggabungkan yang terbaik dari kedua dunia, dan ini mungkin merupakan solusi optimal untuk kasus penggunaan Anda. Untuk informasi lebih lanjut tentang cara menggabungkan fine-tuning yang diawasi dengan RAG, lihat penelitian [RAFT: Adapting Language Model to Domain](https://arxiv.org/pdf/2403.10131) Specific RAG dari. University of California, Berkeley