<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Federated Reinforcement Learning on اتوماسیون هوشمند برای پرسش‌نامه‌ها و انطباق</title><link>https://blog.procurize.ai/fa/tags/federated-reinforcement-learning/</link><description>Recent content in Federated Reinforcement Learning on اتوماسیون هوشمند برای پرسش‌نامه‌ها و انطباق</description><generator>Hugo</generator><language>fa</language><atom:link href="https://blog.procurize.ai/fa/tags/federated-reinforcement-learning/index.xml" rel="self" type="application/rss+xml"/><item><title>تولید افزایشی بازیابی‌محور با آگاهی از زمینه پویا برای شخصی‌سازی روایت‌های انطباقی در زمان واقعی</title><link>https://blog.procurize.ai/fa/dynamic-context-aware-retrieval-augmented-generation-for-rea/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.procurize.ai/fa/dynamic-context-aware-retrieval-augmented-generation-for-rea/</guid><description>&lt;h1 id="تولید-افزایشی-بازیابیمحور-با-آگاهی-از-زمینه-پویا-برای-شخصیسازی-روایتهای-انطباقی-در-زمان-واقعی">تولید افزایشی بازیابی‌محور با آگاهی از زمینه پویا برای شخصی‌سازی روایت‌های انطباقی در زمان واقعی&lt;/h1>
&lt;p>داستان‌سرایی انطباقی از اسناد استاتیک سیاست‌ها به &lt;strong>روایت‌های زمان‑واقعی و حساس به زمینه&lt;/strong> که برای هر کاربر، حوزه قضایی و خط محصول سازگار می‌شوند، تحول یافته است. خطوط لولهٔ بازیابی‑تقویت‌شده (RAG) سنتی در استخراج شواهد مرتبط مهارت دارند اما اغلب &lt;strong>زمینهٔ پویا&lt;/strong> درخواست‌کننده—مانند نقش، تحمل ریسک و تغییرات اخیر مقرراتی—را نادیده می‌گیرند. علاوه بر این، اکثر پیاده‌سازی‌های RAG به مدل‌های متمرکز وابسته‌اند که باعث ایجاد گلوگاه و نگرانی‌های حریم خصوصی برای سازمان‌هایی می‌شود که باید داده‌های حساس حسابرسی را در محل نگهداری کنند.&lt;/p></description></item></channel></rss>