RAG using Llama3 Langchain and ChromaDB
1.0.0
RAG menggunakan Llama3, Langchain dan ChromaDB
Proyek ini menggunakan Llama3 Langchain dan ChromaDB untuk membangun sistem Retrieval Augmented Generation (RAG). Sistem ini memberdayakan Anda untuk mengajukan pertanyaan tentang dokumen Anda, meskipun informasi tersebut tidak disertakan dalam data pelatihan untuk Model Bahasa Besar (LLM). Retrieval Augmented Generation bekerja dengan terlebih dahulu melakukan langkah pengambilan ketika diberikan pertanyaan. Langkah ini mengambil dokumen yang relevan dari database vektor khusus, tempat dokumen tersebut telah diindeks.
Model Llama3 yang telah dilatih sebelumnya telah disempurnakan dengan lebih dari 15 Triliun token dan menawarkan 8 hingga 70 Miliar parameter, menjadikannya salah satu model sumber terbuka paling kuat yang tersedia. Ini menawarkan kemajuan signifikan dibandingkan model Llama2 sebelumnya.
Proyek ini berhasil mengimplementasikan solusi Retrieval Augmented Generation (RAG) dengan memanfaatkan Langchain, ChromaDB, dan Llama3 sebagai LLM. Untuk mengevaluasi kinerja sistem, kami menggunakan UU AI UE mulai tahun 2023. Hasilnya menunjukkan bahwa model RAG memberikan jawaban akurat atas pertanyaan yang diajukan tentang UU tersebut.
Pekerjaan Masa Depan ⚡
Untuk lebih menyempurnakan solusi ini, kami akan fokus pada penyempurnaan implementasi RAG. Hal ini akan melibatkan optimalisasi penyematan dokumen dan eksplorasi penggunaan arsitektur RAG yang lebih rumit.
??META LLAMA3 GENAI Panduan Penerapan Ujung Ke Akhir Kasus Penggunaan Dunia Nyata⚡
Menyempurnakan Llama 3 secara efisien dengan PyTorch FSDP dan Q-Lora : Panduan Implementasi
Terapkan Llama 3 di Amazon SageMaker : Panduan Penerapan
RAG menggunakan Llama3, Langchain dan ChromaDB : Panduan Implementasi 1
Mendorong Llama 3 seperti Pro : Panduan Implementasi
Uji Llama3 dengan beberapa Soal Matematika: Panduan Implementasi
Llama3 tolong tuliskan kode untuk saya: Panduan Implementasi
Jalankan LLAMA-3 70B LLM dengan titik akhir NVIDIA di Amazing Streamlit UI : Panduan Implementasi
Llama 3 ORPO Fine Tuning : Panduan Implementasi
Kuantisasi LLaMA3 Meta: Panduan Implementasi
Sempurnakan Llama3 menggunakan QLoRA : Panduan Implementasi
Inferensi Llama3 Qlora : Panduan Implementasi
Beam_Llama3-8B-finetune_task : Panduan Penerapan
Llama-3 Menyempurnakan kumpulan data khusus dengan Unsloth : Panduan Implementasi
RAG menggunakan Llama3, Ollama dan ChromaDB : Panduan Implementasi
Kasus Penggunaan Llama3: Panduan Implementasi
RAG menggunakan Ro-LLM, Langchain dan ChromaDB : Panduan Implementasi
