Sora

En spennende funksjon i mange Chatbot-plattformer er muligheten til å lage egne chatbotter med RAG-teknologi (Retrieval-Augmented Generation). Dette lar deg lage en chatbot som kan hente svar fra et utvalg dokumenter du selv har lastet opp, og kombinere denne informasjonen med språkmodellens generelle kunnskap. Resultatet er en tilpasset samtalepartner som kan svare med utgangspunkt i akkurat det fagstoffet du ønsker å jobbe med.

Denne typen RAG-chatbotter tilbys nå av flere aktører, blant annet OpenAI, Microsoft, Google, Skolebot, Anthropic og andre. Tidligere var dette primært tilgjengelig i ChatGPTs betalingsversjon gjennom funksjonen «Utforsk GPT-er», men nå finnes det flere alternativer, og prinsippene bak er stort sett de samme uavhengig av plattform. Mange Chatboter tilbyr bare RAG-funksjonalitet i betaligsversjonen av chatbot tjenesten. Dessverre er det få kommuner og fylkeskommuner i Norge som har egne Chatbot-tjenester som tilbyr muligheten til å lage RAG-chatboter som kan distribueres til elevene i dag. Vi ser et stort pedagogisk potensiale for RAG-chatboter om de blir brukt på riktig måte og krysser fingene å håper tjenesten snart blir tilgjengelig i de fleste norske klasserom.

Hvordan det fungerer

En RAG-chatbot baserer seg på en kombinasjon av to kilder:

Egne opplastede dokumenter – for eksempel faglitteratur, rapporter, undervisningsnotater eller utdrag fra pensum.
Den generelle språkmodellen – som er trent på store mengder tekst fra nettet, bøker, artikler og mer.

Når du stiller et spørsmål til en slik chatbot, søker den først gjennom dokumentene du har lastet opp for å finne relevant innhold. Deretter bruker den språkmodellen til å formulere et svar, basert på det den har funnet i dokumentene, supplert med sin generelle kunnskap og språkforståelse. Dette er selve kjernen i RAG: først hente (retrieval), så generere (generation).

Fordeler med å lage en egen RAG-chatbot

Tilpasset kunnskapsbase
Ved å laste opp egne dokumenter kan du lage en chatbot som reflekterer ditt eget fagområde eller interessefelt. Det gjør svarene mer relevante og treffsikre, særlig i undervisningssammenheng.

Økt presisjon i faglige spørsmål
I fag der nøyaktighet er viktig, som pedagogikk, juss eller helse, gjør RAG det mulig å få svar som er direkte forankret i pålitelige kilder, snarere enn løst basert på modellens generelle kunnskap.

Personlig interaksjon
En RAG-chatbot som «kjenner» dine dokumenter kan oppleves som en personlig assistent. Det blir enklere å diskutere ideer, be om oppsummeringer eller få forslag til forbedringer – med utgangspunkt i dine egne tekster.

Nyskapende læring og problemløsning
Når chatboten har tilgang til dine egne data, kan den komme med forslag, alternative formuleringer eller kreative løsninger på utfordringer – alt tilpasset ditt eget innhold.

Pedagogisk støtte
For studenter og lærere er dette en kraftfull funksjon. Du kan få forklaringer på komplekse begreper hentet fra pensum, få laget quizer basert på dine egne undervisningstekster, eller få hjelp til å lage læringsaktiviteter.

Trinn for å lage en RAG-chatbot

Å lage en RAG-chatbot innebærer å kombinere tre valg som er både tekniske, pedagogiske og etiske.

1. Avklare formål
Start med å definere hva chatboten skal brukes til. Skal den:

svare på faglige spørsmål?
forklare begreper?
stille veiledende spørsmål?
hjelpe med oppsummering eller repetisjon?

Formålet avgjør både språk, rolle og kildevalg.

2. Velge og organisere faglig innhold
Deretter må du velge hvilke dokumenter chatboten skal bruke som kunnskapsgrunnlag. Dette kan være:

egne undervisningstekster
læreplaner
åpne fagressurser
interne dokumenter med klar bruksrett

Kildevalget er et profesjonelt ansvar – ikke bare et teknisk steg.

3. Utforme systemledeteksten
Systemledeteksten styrer hvordan chatboten opptrer. Her kan du for eksempel angi at den skal:

svare faglig og presist
bruke et bestemt språknivå
stille oppfølgingsspørsmål
begrunne svar i det opplastede materialet

Systemledeteksten styrer hvordan chatboten svarer – RAG styrer hva den svarer ut fra.

4. Teste og justere
En RAG-chatbot må prøves ut. Fungerer svarene slik du forventer? Treffer den riktig faglig nivå? Gir den for bastante svar? Justering er en naturlig del av prosessen.

Her er et eksempel på en GPT opptrent på pensum i denne modulen:

🤖 Chatbot

Lenke kommer

Frivillig pensum: Episode 67 – Retrieval Augmented Generation (RAG) for dummies