RAG领域信息情报检索---XiaoMi-AI

不要使用图形 DB、QL 或图形分析使事情复杂化。知识图谱中的冒险：迷失在无尽的文档中。由 Brian Godsey 使用 DALL-E 生成。当 RAG 开发人员决定尝试图形 RAG（即构建知识图谱并将其集成到他们的 RAG（检索增强生成）系统中）时，根据互联网，他们有很多选择。有很多文章、指南和操作方法介绍了使用图形 RAG 和一般图形的不同工具。因此，一些开发人员直接开始，认为他们需要集成和配置一长串图形工具和技术才能正确执行图形 RAG。当搜索如何入门时，你通常会发现一些文章建议你需要以下部分或全部内容：知识图谱——连接语义搜索无法捕获的关键术语和概念关键字和实体提取工具——用于构建知

美国空军机动司令部新闻

2024年10月15日 19:33

第 366 战斗机联队为 RAGING GUNFIGHTER 25-1 做好准备

366th Fighter Wing gears up for RAGING GUNFIGHTER 25-1

RAGING GUNFIGHTER 25-1 将于 10 月 21 日开始在美国西部山区的各个地点举行，并将持续约 10 天。

走向数据科学

2024年10月5日 11:02

RAG 101：分块策略

RAG 101: Chunking Strategies

释放 RAG 工作流的全部潜力为什么、何时以及如何对增强型 RAG 进行分块我们如何分割球？（使用 Cava 生成）大型语言模型在单个请求中可以处理的最大标记数称为上下文长度（或上下文窗口）。下表显示了所有版本的 GPT-4 的上下文长度（截至 2024 年 9 月）。虽然上下文长度随着每次迭代和每个新模型而增加，但我们可以为模型提供的信息仍然有限。此外，输入的大小与 LLM 生成的响应的上下文相关性之间存在反比关系，简短而集中的输入比包含大量信息的长上下文产生更好的结果。这强调了将数据分解成更小、更相关的块的重要性，以确保 LLM 做出更合适的响应 — — 至少在 LLM 无需重新训练即可处

None

2024年9月21日 00:57

您的文档试图告诉您什么是相关的：使用链接更好地进行 RAG

Your Documents Are Trying to Tell You What’s Relevant: Better RAG Using Links

文档数据集已经具有结构。充分利用它。照片由 Jayne Harris 在 Unsplash 上拍摄构建检索增强生成 (RAG) 应用程序面临多层挑战。文档检索是 RAG 工作流程的重要组成部分，它本身就是一组复杂的步骤，可以根据用例以不同的方式处理。RAG 系统很难找到与细微输入提示相关的最佳文档集，尤其是在完全依赖向量搜索来找到最佳候选者时。然而，我们的文档本身通常会告诉我们应该在哪里寻找有关给定主题的更多信息——通过引文、交叉引用、脚注、超链接等。在本文中，我们将展示一种新的数据模型——链接文档——如何通过使我们能够解析和保留这些对其他文本的直接引用来解锁性能改进，使它们可供同时检索——无

None

2024年9月12日 16:29

了解检索 - 增强生成 (RAG)：初学者指南

Understanding Retrieval - Augmented Generation (RAG): A Beginner's Guide

简介：信息检索的演变还记得 2021 年在线搜索信息时经常感觉有点繁琐吗？您会打开搜索引擎，输入查询，然后筛选大量链接，试图提取所需的信息。当然，这很有效，但通常感觉就像在大海捞针，尤其是当您遇到棘手的问题或需要一些非常具体的东西时。

走向数据科学

2024年9月10日 23:15

如何使用 RAG 为 Gmail 创建强大的 AI 电子邮件搜索

How to Create a Powerful AI Email Search for Gmail with RAG

了解如何使用 RAG 开发应用程序来搜索电子邮件继续阅读 Towards Data Science »

AI量子智能

2024年9月10日 19:05

NVIDIA 研究人员推出保序检索增强生成 (OP-RAG)，用于通过大型语言模型 (LLM) 增强长上下文问答

NVIDIA Researchers Introduce Order-Preserving Retrieval-Augmented Generation (OP-RAG) for Enhanced Long-Context Question Answering with Large Language Models (LLMs)

检索增强生成 (RAG) 是一种提高大型语言模型 (LLM) 处理大量文本效率的技术，在自然语言处理中至关重要，特别是在问答等应用中，在这些应用中，保持信息的上下文对于生成准确的响应至关重要。随着语言模型的发展，研究人员努力突破界限 NVIDIA 研究人员引入了保序检索增强生成 (OP-RAG) 以增强大型语言模型 (LLM) 的长上下文问答首次出现在 AI Quantum Intelligence 上。

走向数据科学

2024年9月9日 14:44

在 RAG 中对幻觉检测方法进行基准测试

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

走向数据科学

2024年9月6日 17:08

如何使用知识图谱和矢量数据库实现 Graph RAG

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

亚马逊云科技 _机器学习

2024年9月5日 21:53