alfresco ai framework

กรอบงาน Alfresco AI

Alfresco AI Framework เป็นเฟรมเวิร์กที่แข็งแกร่งซึ่งออกแบบมาเพื่อรวมความสามารถ AI เข้ากับ Alfresco โดยใช้ประโยชน์จาก Java และ Spring AI โดยนำเสนอชุดเครื่องมือและบริการเพื่อประมวลผล วิเคราะห์ และปรับปรุงเนื้อหาเอกสารใน Alfresco โดยใช้โมเดล AI และการเรียนรู้ของเครื่อง

หมายเหตุ : โปรเจ็กต์นี้ใช้เวอร์ชัน Spring AI SNAPSHOT เนื่องจากยังไม่มี RELEASE ขั้นสุดท้าย

คุณสมบัติที่สำคัญ

• การประมวลผลเอกสารที่ขับเคลื่อนด้วย AI : เปิดใช้งานฟังก์ชันการแชทแบบเรียกข้อมูล-Augmented Generation (RAG) ภายในพื้นที่เก็บข้อมูล Alfresco
• สถาปัตยกรรมแบบโมดูลาร์ : สร้างขึ้นบนสถาปัตยกรรมที่ใช้ Spring Boot ซึ่งให้ความยืดหยุ่นในการปรับใช้และความสามารถในการปรับขนาด
• การบูรณาการอย่างราบรื่น : ขยายบริการเนื้อหา Alfresco ด้วยความสามารถของ AI ได้อย่างง่ายดาย

เริ่มต้นใช้งาน

ข้อกำหนดเบื้องต้น

• Java 17 : จำเป็นสำหรับการสร้างและรันบริการ
• Maven : สำหรับการสร้างบริการแบ็กเอนด์
• Angular 18 : สำหรับการพัฒนาและใช้งาน UI
• Node.js 18 : จำเป็นสำหรับการสร้าง UI
• นักเทียบท่า : สำหรับการปรับใช้แบบคอนเทนเนอร์

สถาปัตยกรรม

โครงการ

• ai-rag-framework :
  REST API ที่สร้างขึ้นบน Spring AI สำหรับการนำเข้าเอกสารลงในโมเดล Generative AI (GenAI) และให้บริการแชทแบบดึงข้อมูล-Augmented Generation (RAG)

  • ความต้องการ :
    • โมเดลภาษาขนาดใหญ่ในท้องถิ่น (LLM) ขับเคลื่อนโดย Ollama
    • Elasticsearch เป็นฐานข้อมูลเวกเตอร์

• กลางแจ้ง-ai-sync :
  บริการที่สร้างขึ้นบน Alfresco Java SDK ที่ดึงเอกสารจาก Alfresco Repository และนำเข้าเอกสารเหล่านั้นลงในฐานข้อมูลเวกเตอร์ผ่าน ai-rag-framework API

  • ความต้องการ :
    • พื้นที่เก็บข้อมูล Alfresco ที่ทำงานอยู่
    • บริการ ai-rag-framework

• กลางแจ้ง-ai-ui :
  อินเทอร์เฟซผู้ใช้ที่สร้างขึ้นบน Alfresco ADF สำหรับการโต้ตอบกับบริการแชท RAG ที่จัดทำโดย ai-rag-framework

  • ความต้องการ :
    • บริการ ai-rag-framework จะต้องทำงานอยู่

• alfresco-docker : การปรับใช้ Alfresco Community 23.3 ที่เน้นคอนเทนเนอร์

ห้องปฏิบัติการ

ชุดบทช่วยสอนนี้จะแนะนำคุณเกี่ยวกับคุณสมบัติที่สำคัญของโปรเจ็กต์ รวมถึงการนำเข้าข้อมูล การรวมการแชท และการทำงานโดยรวมของระบบ

ห้องปฏิบัติการที่ 1: ช่องทางการกลืนกิน

ในแล็บนี้ คุณจะได้เรียนรู้วิธีเติม ฐานข้อมูลเวกเตอร์ (Elasticsearch) ด้วยเนื้อหาที่เลือกจาก ฐานความรู้ ที่จัดเก็บไว้ใน Alfresco สิ่งนี้เกี่ยวข้องกับการแยกเวกเตอร์ออกจากเนื้อหาโดยใช้โมดูล การฝัง nomic-embed-text ผ่าน Ollama

เริ่มต้นห้องปฏิบัติการโดยทำตามห้องปฏิบัติการที่ 1: ช่องทางการกลืนกิน

แล็บ 2: ฟังก์ชั่นการแชท

แล็บนี้มุ่งเน้นไปที่การเปิดใช้งานฟังก์ชันการแชทด้วย LLM qwen2.5 ผ่าน Ollama โดยใช้แอป Alfresco UI เช่น Share และ ADF กระบวนการนี้รวมถึงการแปลงข้อความแจ้งของผู้ใช้ให้เป็นเวกเตอร์โดยใช้โมดูล การฝัง nomic-embed-text ผ่าน Ollama จากนั้นค้นหาเนื้อหาที่เกี่ยวข้องใน ฐานข้อมูลเวกเตอร์ (Elasticsearch) ข้อความที่ดึงมาจะใช้เพื่อให้บริบทแก่ LLM ซึ่งช่วยสร้างคำตอบที่แม่นยำยิ่งขึ้น

เริ่มแล็บนี้โดยทำตามแล็บ 2: ฟังก์ชั่นการแชท

แล็บ 3: ใช้งานส่วนประกอบทั้งหมดเข้าด้วยกัน

ในแล็บนี้ คุณจะรวมส่วนประกอบทั้งหมด (ฟังก์ชันการส่งผ่านข้อมูลและการแชท) เข้ากับ Alfresco Repository แบบสด ระบบจะอัปเดต ฐานข้อมูลเวกเตอร์ โดยอัตโนมัติทุกครั้งที่มีการเปลี่ยนแปลงในพื้นที่เก็บข้อมูล ทำให้ไม่จำเป็นต้องมีการแทรกแซงด้วยตนเอง

คุณสามารถเริ่มต้นแล็บนี้ได้โดยทำตามแล็บที่ 3: การเรียกใช้ส่วนประกอบทั้งหมดร่วมกัน

ใบอนุญาต

โครงการนี้ได้รับอนุญาตภายใต้ Apache License 2.0 ดูไฟล์ใบอนุญาตสำหรับรายละเอียด

รับทราบ

ขอขอบคุณเป็นพิเศษสำหรับทีมงาน Alfresco และ Hyland สำหรับการสนับสนุนอย่างต่อเนื่องและการมีส่วนร่วมในโครงการริเริ่มโอเพ่นซอร์สในการจัดการเนื้อหาและโดเมน AI