Benchmarking Hallucination Detection Methods in RAG
评估增强 LLM 生成响应可靠性的方法。未经检查的幻觉仍然是当今检索增强生成应用中的一个大问题。本研究评估了 4 个公共 RAG 数据集中流行的幻觉检测器。使用 AUROC 和精确度/召回率，我们报告了 G-eval、Ragas 和可信语言模型等方法自动标记不正确的 LLM 响应的能力。使用各种幻觉检测方法识别 RAG 系统中的 LLM 错误。我目前在 Cleanlab 担任机器学习工程师，我为本文讨论的可信语言模型的开发做出了贡献。我很高兴介绍这种方法并在以下基准测试中与其他方法一起对其进行评估。问题：RAG 系统中的幻觉和错误众所周知，当被问到训练数据中没有很好支持的问题时，大型语言模型
Python QuickStart for People Learning AI
适合初学者的指南 Python 已成为 AI 和数据科学事实上的编程语言。尽管存在无代码解决方案，但学习如何编码对于构建完全自定义的 AI 项目或产品仍然至关重要。在本文中，我分享了一份使用 Python 进行 AI 开发的初学者快速入门指南。我将介绍基础知识，然后分享一个带有代码的具体示例。图片来自 Canva。Python 是一种编程语言，即一种向计算机发出精确指令来做我们不能或不想做的事情的方法 [1]。这在没有现成解决方案的情况下自动执行独特任务时非常方便。例如，如果我想自动编写和发送个性化的会议跟进，我可以编写一个 Python 脚本来执行此操作。有了 ChatGPT 这样的工具，很
Intuitive Explanation of Async / Await in JavaScript
设计异步管道以实现高效的数据处理注。本文假设您熟悉回调和承诺，并对 JavaScript 中的异步范式有基本的了解。简介异步机制是 JavaScript 和一般编程中最重要的概念之一。它允许程序在后台单独执行次要任务，而不会阻止当前线程执行主要任务。当次要任务完成后，将返回其结果，程序继续正常运行。在这种情况下，此类次要任务称为异步。异步任务通常包括向外部环境（如数据库、Web API 或操作系统）发出请求。如果异步操作的结果不影响主程序的逻辑，那么与其在任务完成之前等待，不如不要浪费这段时间并继续执行主要任务。然而，有时异步操作的结果会立即用于下一行代码。在这种情况下，后续代码行不应在异步操
The Price of Gold: Is Olympic Success Reserved for the Wealthy?
分析 30 年奥运会奖牌分布和国家财富指标继续阅读 Towards Data Science »
From Theory to Practice with Particle Swarm Optimization, Using Python
以下是关于什么是 PSO 以及如何使用它的教程继续阅读 Towards Data Science »
Forever Learning: Why AI Struggles with Adapting to New Challenges
了解深度学习的局限性和对真正持续适应的追求继续阅读 Towards Data Science »
Achieve Better Classification Results with ClassificationThresholdTuner
用于调整和可视化二分类和多分类问题阈值选择的 Python 工具调整分类问题中使用的阈值（即调整用于决定预测一个类别还是另一个类别的概率的截止值）是一个有时会被遗忘的步骤，但很容易做到并且可以显著提高模型的质量。这是大多数分类问题都应该执行的步骤（根据我们希望优化的内容，有一些例外，如下所述）。在本文中，我们将仔细研究执行此操作时实际发生的情况 — 特别是在多分类中，这可能会有点微妙。我们将介绍我自己编写的开源工具 ClassificationThesholdTuner，它可以自动化并向用户描述该过程。考虑到调整阈值的任务在分类问题中是多么常见，以及不同项目之间的过程通常有多么相似，我已经能够
Why Ratios Trump Raw Numbers in Business Health
了解比率是深入了解业务健康状况和推动更明智决策的关键继续阅读 Towards Data Science »
Real world Use Cases: Forecasting Service Utilization Using Tabnet and Optuna
Dall-e 生成的图像数据科学在现实世界中发挥着最佳作用。我打算分享我参与过的各种生产化项目的见解。在我担任数据科学家的这些年里，我遇到了很多有兴趣成为数据科学家的学生，或者刚刚毕业的刚起步的学生。像任何领域一样，开始数据科学的职业生涯需要陡峭的学习曲线。我经常被问到的一个非常好的问题是：我已经学到了很多关于数据科学的理论方面，但现实世界的例子是什么样的？我想分享一些我职业生涯中一直在从事的不同项目的小作品。即使有些作品可能已经是几年前的了，我只会写一些我仍然认为相关的主题。我会尽量保持总体情况的清晰和简洁，以便有抱负的新同事能够了解接下来可能发生的事情。但我也想停下来研究一下细节，我希望更
How to Implement Graph RAG Using Knowledge Graphs and Vector Databases
作者提供的图片关于实现检索增强生成 (RAG)、语义搜索和推荐的分步教程本教程的随附代码在此处。我的上一篇博客文章是关于如何在企业级一起实现知识图谱 (KG) 和大型语言模型 (LLM)。在那篇文章中，我介绍了 KG 和 LLM 目前交互的两种方式：LLM 作为构建 KG 的工具；以及 KG 作为 LLM 或 GenAI 应用程序的输入。下图显示了集成的两个方面以及人们将它们一起使用的不同方式。作者提供的图片在这篇文章中，我将重点介绍 KG 和 LLM 一起使用的一种流行方式：使用知识图谱的 RAG，有时称为 Graph RAG、GraphRAG、GRAG 或 Semantic RAG。检索增
LangGraph — Intuitively and Exhaustively Explained
在约束内构建强大的 LLM 代理继续阅读 Towards Data Science »
Causality in ML Models: Introducing Monotonic Constraints
单调约束是使机器学习模型可操作的关键，但它们仍然未被广泛使用继续阅读 Towards Data Science »
Introduction to Reinforcement Learning and Solving the Multi-armed Bandit Problem
剖析 Richard S. Sutton 的“强化学习”与自定义 Python 实现，第一集继续阅读 Towards Data Science »
Shortest Path Algorithms: How to Use Data to Navigate and Optimize
Dijkstra 算法和 Bellman-Ford 算法概述继续阅读 Towards Data Science »
Can Generative AI Lead to AI Collapse?
AI 自食其果：生成系统中模型崩溃的风险继续阅读 Towards Data Science »
