next gen rag

รุ่นต่อไปของการดึงข้อมูล Augmented Generation (RAG)

การแนะนำ

นี่คือศูนย์กลางการทำงานร่วมกันที่อุทิศตนเพื่อพัฒนาเทคโนโลยีรุ่นถัดไปของการดึงข้อมูล Augmented Generation (RAG) พื้นที่เก็บข้อมูลนี้มุ่งเน้นไปที่การสำรวจแบบไดนามิกของภูมิทัศน์ที่กำลังพัฒนาของ RAG โดยมีเป้าหมายเพื่อเปิดเผย พัฒนา และแบ่งปันความก้าวหน้าล้ำสมัยที่กำหนดอนาคตของการดึงและสร้างข้อมูลที่ขับเคลื่อนด้วย AI

เป้าหมาย

พื้นที่เก็บข้อมูลนี้เริ่มต้นการสำรวจแบบไดนามิกของภูมิทัศน์ที่กำลังพัฒนาของ RAG โดยมีเป้าหมายเพื่อเปิดเผย พัฒนา และแบ่งปันความก้าวหน้าล้ำสมัยที่กำหนดอนาคตของการดึงและการสร้างข้อมูลที่ขับเคลื่อนด้วย AI

เป้าหมาย

เป้าหมายหลักของพื้นที่เก็บข้อมูลนี้คือ:

• สร้างสรรค์และสำรวจ : เพื่อผลักดันขอบเขตของเทคโนโลยี RAG ในปัจจุบันโดยการสำรวจแนวคิด วิธีการ และสถาปัตยกรรมใหม่ๆ
• การวิจัยร่วมกัน : เพื่อส่งเสริมชุมชนนักวิจัย นักพัฒนา และผู้สนใจที่ทำงานร่วมกันเพื่อพัฒนาสาขา RAG
• การแบ่งปันความรู้ : เพื่อทำหน้าที่เป็นแหล่งข้อมูลที่ครอบคลุมสำหรับการพัฒนาที่ล้ำสมัย ความก้าวหน้าทางแนวคิด และการอภิปรายเชิงลึกเกี่ยวกับ RAG และแอปพลิเคชัน
• ผลกระทบในโลกแห่งความเป็นจริง : เพื่อแปลความก้าวหน้าทางทฤษฎีเป็นแนวทางปฏิบัติที่จัดการกับความท้าทายในโลกแห่งความเป็นจริงในการดึงข้อมูลและการสร้างข้อความ

หัวข้อที่น่าสนใจ

พื้นที่เก็บข้อมูลนี้มุ่งเน้นไปที่หัวข้อที่หลากหลายภายในขอบเขตของ RAG และพื้นที่ที่เกี่ยวข้อง ซึ่งรวมถึงแต่ไม่จำกัดเพียง:

• การกำหนดเส้นทางความหมาย
• การบูรณาการองค์ความรู้
• การประมวลผลแบบสอบถามขั้นสูง
• การจัดอันดับ
  • กลยุทธ์สำหรับการจัดอันดับข้อความที่มีประสิทธิภาพและประสิทธิผลโดยใช้แบบจำลองภาษาขนาดใหญ่
  • การฝึกอบรม LLM Re-ranker โดยใช้การเพิ่มประสิทธิภาพการตั้งค่าโดยตรง
  • แพ้ตรงกลาง: โมเดลภาษาใช้บริบทแบบยาวอย่างไร
    1. อันดับแฟลช
    2. รีทรีฟเวอร์บริบทยาว
• ความปลอดภัย:
  • (สิ่งที่ต้องทำ: เพิ่มเธรดการสำรวจ) ComPromptMized: ปลดปล่อยเวิร์มแบบ Zero-click ที่กำหนดเป้าหมายแอปพลิเคชันที่ขับเคลื่อนด้วย GenAI

โครงสร้างพื้นที่เก็บข้อมูล

• สมุดบันทึก/ : สมุดบันทึก Jupyter ที่ประกอบด้วยการวิจัย การทดลอง และการสาธิต สมุดบันทึกแต่ละเล่มมีคำแนะนำและคำอธิบายในตัวเอง
• docs/ : เอกสารเพิ่มเติมเกี่ยวกับแนวคิด เทคนิค และข้อค้นพบ
• data/ : ชุดข้อมูลตัวอย่างที่ใช้สำหรับการทดลอง (สิ่งที่ต้องทำ: เพิ่มชุดข้อมูล)
• scripts/ : สคริปต์ยูทิลิตี้และข้อมูลโค้ด (สิ่งที่ต้องทำ: เพิ่มสคริปต์)

อยู่ระหว่างดำเนินการ

• ดีที่สุดในคลาส ReRanker? เพิ่มพูนการค้นหาของคุณด้วยโมเดลจัดอันดับขนมปังกรอบผสมใหม่

• โมเดลการฝัง Matryoshka

• [qdrant / fastembed] (https://github.com/qdrant/fastembed)

งานค้าง

• CohereForAI/c4ai-command-r-v01 (โมเดลพารามิเตอร์ 35 พันล้านของ Cohere)

แผนการทำงาน

• LLM Re-ranker โดยใช้คำติชมของมนุษย์
• ความปลอดภัย: Gen-AI Zero-click Worms
• Less is More: พิเศษในบริบทของการเตรียมชุดข้อมูลการเรียกใช้ฟังก์ชัน https://arxiv.org/abs/2305.11206