Stretávate sa aj vy s tým, že RAG systémy poskytujú zastarané odpovede? Ako riešite aktuálnosť informácií?

Toto je jeden z najčastejších problémov implementácií RAG. Tu je, čo som sa naučila z desiatok podnikových nasadení:

Jadrový problém: Embedding modely nerozumejú inherentne času. Dokument z roku 2023 a 2026 môže mať takmer identické embeddingy, ak rieši rovnakú tému, aj keď informácie sú úplne odlišné.

Čo naozaj funguje:

1. Hybridné skórovanie – Kombinujte sémantickú podobnosť (cosine distance) s časovou devalváciou. Zvyčajne používame: final_score = semantic_score * (0.7 + 0.3 * recency_score)

2. Verzovanie dokumentov – Pri aktualizácii dokumentu neprepíšte starý, ale vytvorte verziu a najnovšiu označte v metadátach ako “aktuálnu” cez filter.

3. Časové rozdelenie (temporal chunking) – Pridajte dátum dokumentu ku každému bloku, nielen k nadriadenému dokumentu. LLM tak vidí časový kontext.

Prístup s časovými metadátami, ktorý spomínate, funguje iba vtedy, ak ho váš retrieval pipeline skutočne používa na filtrovanie alebo re-ranking. Veľa defaultných nastavení to ignoruje.

Pohľad z obsahovej, nie technickej strany.

Riešili sme ten istý problém a zistili sme, že časť je organizačná, nielen technická. Naši autori síce aktualizovali dokumenty, ale nemali jednotný proces, ktorý by vedel RAG systém sledovať.

Čo sme zavedli:

• Každý dokument má povinný dátum “naposledy overené” (oddelený od “naposledy upravené”)
• Vlastníci obsahu dostávajú automatické pripomienky na kvartálne overenie správnosti
• Dokumenty staršie ako 6 mesiacov bez overenia sú označené a znevýhodnené vo vyhľadávaní
• Pridali sme explicitné vzťahy “nahrádza”, keď je obsah aktualizovaný

Dôležité je technické riešenie, ale ak nemáte pevné riadenie obsahu, budete mať s aktuálnosťou stále problém.

Kľúčová metrika: Sledovali sme “rate zastaraného vyhľadania” – percento prípadov, keď existoval novší obsah, ale nebol vrátený. Znížili sme to z 23 % na 4 % za tri mesiace.

Nám sa osvedčil tento vzorec:

Dvojfázové vyhľadávanie:

Fáza 1: Tradičné sémantické vyhľadávanie na získanie top-K kandidátov (K=50-100) Fáza 2: Re-ranker, ktorý zohľadňuje relevanciu AJ aktuálnosť

Re-ranker je malý model, ktorý sa dotrénuje na spätnej väzbe používateľov, ktoré výsledky boli naozaj užitočné. Časom sa sám naučí, ktoré typy obsahu musia byť čerstvé a ktoré nemusia.

Vybudovali sme aj dashboard na audit aktuálnosti, ktorý ukazuje:

• Priemerný vek získaných dokumentov
• Témy, kde sa často vracia starý obsah
• Dokumenty, ktoré sú často vyhľadávané, ale málokedy označené ako užitočné

To nám pomohlo identifikovať problémové miesta proaktívne, nie až na základe sťažností používateľov.

Pohľad z menšej firmy – sme 20-členný startup bez dedikovanej ML infraštruktúry.

Išli sme jednoduchou cestou: vynútené re-indexovanie pri zmene obsahu cez webhooky namiesto plánovaných dávok. Kedykoľvek sa niečo aktualizuje v našom CMS, okamžite sa spustí re-embedding a update indexu.

Pri našej veľkosti (5 000 dokumentov) je to dostatočne rýchle a zabezpečí nulové meškanie medzi úpravou obsahu a jeho aktuálnosťou vo vyhľadávaní.

Tiež sme zistili, že explicitné verzovanie priamo v obsahu pomáha LLM. Pridanie “Aktualizované január 2026” do prvého odseku spôsobí, že aj keď sa načíta stará verzia, LLM vidí dátum a vie zmieniť neistotu.

Vo veľkých firmách to riešime inak:

Skutočný problém nie je vyhľadávanie, ale vedieť, kedy je obsah naozaj zastaraný. Dokument z roku 2020 môže byť dnes úplne aktuálny, zatiaľ čo ten z minulého mesiaca už môže byť nesprávny.

Náš prístup: Automatizované kontroly platnosti obsahu

Každú noc spúšťame joby, ktoré:

1. Porovnávajú získaný obsah s autoritatívnymi zdrojmi
2. Označia dokumenty, kde sa zmenili kľúčové fakty
3. Automaticky upozornia vlastníkov obsahu
4. Dočasne znížia prioritu označených dokumentov vo vyhľadávaní

Pre produktový obsah sme integrovali priamo produktovú databázu. Každá zmena schémy, ceny alebo zrušenie funkcie automaticky spustí kontrolu obsahu.

Cena za poskytovanie nesprávnych informácií zákazníkom je vyššia ako inžinierska investícia do monitoringu aktuálnosti.

Táto diskusia je veľmi aktuálna aj pre externé AI systémy.

Ak sa obávate o aktuálnosť vo vašom internom RAG, zamyslite sa nad tým, čo sa deje s ChatGPT, Perplexity a Google AI Overviews, keď citujú váš verejný obsah.

Výskum ukazuje, že ChatGPT cituje obsah, ktorý je v priemere o 393 dní aktuálnejší ako tradičné Google výsledky. Ak je váš verejný obsah zastaraný, tieto AI systémy buď:

1. Vás necitujú vôbec
2. Citujú zastarané informácie o vašej firme

Používam Am I Cited na sledovanie, kedy AI systémy citujú obsah našich klientov a ktoré stránky. Je až prekvapivé, ako aktuálnosť obsahu priamo súvisí s AI viditeľnosťou.

Pre verejný obsah platia rovnaké princípy – AI systémy uprednostňujú aktuálnosť a zastaraný obsah časom stráca citácie.

Praktický tip, ktorý nám pomohol: všetko si logujte.

Pridali sme logovanie:

• Vek každého získaného dokumentu
• Či bol dokument označený ako “aktuálny” alebo “archívny”
• Spokojnosť používateľov v korelácii s vekom obsahu

Postavili sme na to dashboard v Grafana. Zistili sme, že problém so zastaraným obsahom sa týkal len 3 produktových oblastí, kde autori opustili firmu. Nemali sme systémový problém s vyhľadávaním – mali sme problém s vlastníctvom obsahu.

Dáta nám pomohli obhájiť potrebu zamestnať človeka na údržbu obsahu.

Táto diskusia bola extrémne prínosná. Zhrniem si, čo si odnášam:

Technické zlepšenia:

1. Zaviesť hybridné skórovanie s časovým úbytkom
2. Pridať verzovanie dokumentov a explicitné označenie “aktuálny”
3. Zvážiť dvojfázové vyhľadávanie s re-rankingom
4. Budovať dashboardy na monitoring aktuálnosti

Procesné zlepšenia:

1. Overovanie obsahu oddelene od samotnej editácie
2. Automatizovaná detekcia zastaralosti podľa autoritatívnych zdrojov
3. Jasné vlastníctvo obsahu a zodpovednosť za aktualizácie
4. Webhookové re-indexovanie pre rýchle šírenie zmien

Metriky na sledovanie:

• Rate zastaraného vyhľadania
• Priemerný vek získaného dokumentu
• Korelácia spokojnosti používateľa s vekom obsahu

Začnem hybridným skórovaním a workflowom na overovanie obsahu. Za pár týždňov dám vedieť, ako to dopadlo.