eLAND

1. 改善營運效率：藉由知識管理，員工可以分享和存取企業或組織內部的資訊，在遇到問題時，也能通過知識庫或企業內部的知識分享平台迅速找到解決方案，避免重新投入時間和資源去解決過去發生過的問題，進而提升生產力與整體營運效率。
2. 加速創新能力：企業可以透過知識管理，從現有技術和過往經驗中持續學習，並不斷進行優化，加速產品的創新及發展進程。
3. 提高決策品質：知識管理促進了既有知識與資源的整合，使企業能夠記錄和分析過去的決策及其結果，藉此更準確地預測市場風險和潛在挑戰，加速決策過程並提升決策精準度。
4. 經驗傳承：知識管理有助於經驗的傳承，除了避免人員重複學習和研究，也可以減少因員工離職或崗位變動造成的知識流失。

生成式 AI 在生成內容時，可能會出現杜撰答案或是答非所問等 AI 幻覺 (hallucination) 之情況。而檢索增強生成能解決此問題，增加其可解釋性和可信度，整體而言可歸納為以下優勢：

1. 依照相關的參考資訊來生成內容，可以提高生成內容的準確性和品質，避免生成虛假、不切實際的誤導性資訊。
2. 增加可信度與可驗證性，確保生成的內容具有可靠的參考依據，而非僅根據過去的學習經驗推測，且生成的內容可被檢查驗證。
3. 節省訓練成本，更快速地更新知識。由於訓練 (或微調再訓練) 語言模型新知識都需要大量的時間和金錢成本，但 RAG 檢索增強生成能利用現有模型，只要透過搜尋引擎快速更新相關的參考資料，就可以反應在生成結果上，不必進行新一輪的訓練，更新速度快、成本也低。

除了具備以上優勢外，一個好的 RAG 檢索增強生成技術需在實際應用中克服以下挑戰，以發揮其潛力並有效提升效能：

1. 無檢索結果時的回覆

   當檢索增強生成沒有檢索到得以回答使用者問題的知識時，需判斷並回覆無相關參考資料，不要硬答，避免大語言模型杜撰答案，才不會出現AI幻覺問題。

2. 生成回覆內容的實用性

   檢索增強生成需確保生成之內容不僅與檢索到的知識相關，且還需具備流暢性、準確性及實用性。

3. 效率和擴展性

   隨著知識庫不斷擴大，檢索增強生成需維持檢索和生成過程的效率與精準度。

4. 實際應用彈性

   應用檢索增強生成時須考慮到不同領域的需求，有些領域的知識點敘述較長、有些領域知識較分散，需能彈性調整段落長短、段落數多寡等，真正能夠完整地找出相關的內容，以符合不同的應用場景，這將是關鍵重點。

綜前所述，大型語言模型的核心特點包含以下幾點：

1. 上下文理解：大型語言模型能更好地理解和處理文意，生成連貫、有邏輯的流暢回應。
2. 多任務適用：大型語言模型能夠應付多種自然語言處理任務，無需單獨為每種任務設計特定模型，也因此能夠廣泛應用於多種不同場景。
3. 大數據訓練：大型語言模型通常基於數千萬、甚至數億的文本資料進行訓練，龐大的數據量使得模型掌握了豐富的知識，從而能夠做出更準確的判斷與回覆。

不過也需要注意的是，大語言模型是根據過往數據資料訓練而成的，若遇到訓練資料中缺乏、無法回應的提問、或參考資料本身有所偏誤，可能就會出現AI 杜撰、AI 幻覺 (Hallucination) 等現象，生成出錯誤甚至不存在的回應。

為了更快速、準確地掌握災情資訊以提升災害應變效率，災防中心選擇與意藍資訊合作，導入意藍新一代 GenAI 知識管理工作平台「AI Search for KM」，運用人工智慧與自然語言模型技術，並結合社群輿情資料和專屬的歷史數據庫，打造「災害防救知識問答平台」，解決資訊來源分散、數據處理繁複等痛點，協助單位提升資訊處理效率，以利更好地應對和管理災害風險。

意藍協助災防中心建構災害防救知識問答平台的流程如下：

1. 資料蒐整與預處理：蒐集歷年來既有的災害事件情資研判報告、即時觀測數據（如雨量、河川水位等），以及各大公開媒體、Facebook 粉絲團、Dcard、巴哈姆特、Mobile01 及 Ptt 等公開討論區的地區版等資料，經過清整、結構化與預處理，將結構化與非結構化資料均轉換為模型可理解的格式。
2. 語意分析與標記：透過語意分析技術，讓 AI 自動判別每一篇災情文章內容中提及的地理資訊、災害事件以及災情程度等，將這些重要詞彙辨識出來並自動標記，以利後續的索引和檢索。
3. 大語言模型選擇：評估各個大語言模型在災害防救領域問答的真實性、回覆速度、正確性、可讀性、理解上下文與統整能力等效果，選擇最適用的自然語言模型。
4. 建立資料向量索引、設定參數：提高檢索與問答時的效率及準確性，確保 AI 模型對災害知識有精準的搜尋能力與答覆效果。