以即時數據賦能，成為具有決斷力的 Actionable AI
如果希望生成式 AI 能從目前被動論述的角色轉化成有行動力的 Actionable AI，則需要取得當下的資料，包括背景、相關專業資訊以及即時周遭訊息。這些資料不是用來訓練或再訓練(refine) 模型的，而是用來回應現狀、限縮範圍、引導推理。雖然近來學界、業界提出不少架構，我們以「擷取增強生成」（Retrieval-Augmented Generation，RAG）架構為代表，使其能夠連結外部數據源如向量資料庫(vector database)、知識圖譜(knowledge graph)、搜尋引擎(search engine)等，提供即時數據擷取，當檢索到具體且相關的資訊時，AI會使用這些資訊來做出更精確且符合上下文的決策，將其應用到當下情境中以得出結論，此時AI的回覆會變得具體並具有行動力。
RAG 架構會幫助 AI 從外部數據生態中擷取當前場景相關的數據，做出行動方案，比如這位心臟病病患的附近是否有設有 AED（Automated External/electronic Defibrillator 自動體外心臟去顫器）、是否有警衛或救護車在附近。當這些即時、多元的資訊被整合進來後，AI 就不僅僅是告訴你這個人可能心臟病發作，而是會引導你找到最近的AED，或者告訴你附近有誰能幫忙，包括如何聯繫救護車等，能基於具體的、即時的數據給出可執行的建議，讓使用者能夠在危急時刻做出正確的行動。 從這個意義上說，生成式 AI 是運用歸納推理來創造和概念化，而 RAG 則在檢索過程中，以化繁為簡的方式層層找出特定資訊來完善整體效果，用具體的最新資訊來建立生成過程，以改進和支援 AI 的輸出。這可以說歸納推理(Inductive Reasoning)與演繹推理( Deductive Reasoning)完美結合所發展出真正的智能。
另一個例子，目前的生成式 AI 能根據過往的旅遊數據，如消費者瀏覽偏好、歷史旅遊紀錄等，來推薦下一個旅遊目的地、住宿和活動，然而，牽涉旅遊選擇的背後因素五花八門，如果能導入RAG架構，系統便能即時檢索並整合多種與旅遊相關的即時資訊，假設消費者打算安排接下來的聖誕假期，卻不知道可以去哪個城市，RAG 能綜合檢索最新的機票價格，了解哪個城市的航班正在特價；從天氣預報判斷哪個城市適合戶外活動還是室內參觀；該城市哪一家五星級飯店正在進行限時促銷、當地即將舉辦的演唱會票券剩餘情形，以及匯率變動情況，建議消費者在匯率有利時兌換貨幣或調整行程以節省成本，RAG 能將這些方方面面的即時資訊融入推薦系統中，提供消費者更靈活、個性化、考慮周全的旅遊建議。
