From RAG to fabric: Lessons learned from building real-world RAGs at GenAIIC – Part 2
本博文重点介绍如何在异构数据格式上执行 RAG。我们首先介绍路由器,以及它们如何帮助管理不同的数据源。然后,我们给出如何处理表格数据的提示,最后介绍多模式 RAG,特别关注处理文本和图像数据的解决方案。
From RAG to fabric: Lessons learned from building real-world RAGs at GenAIIC – Part 1
在本文中,我们介绍了 RAG 架构背后的核心概念,并讨论了评估 RAG 性能的策略,既通过指标定量评估,又通过分析单个输出定性评估。我们概述了改进文本检索的几个实用技巧,包括使用混合搜索技术、通过数据预处理增强上下文以及重写查询以提高相关性。
在本文中,我们通过自动执行以下任务来说明生成式 AI 在 Tealium 与 AWS 生成式 AI 创新中心 (GenAIIC) 团队合作中的重要性:1/ 基于由 Amazon Bedrock 提供支持的 Ragas 存储库评估 RAG 系统的检索器和生成的答案,2/ 使用基于 Auto-Instruct 存储库的自动提示工程技术为每个问答对生成改进的指令。指令是指给予模型以指导生成响应的一般方向或命令。这些指令是使用 Amazon Bedrock 上的 Anthropic 的 Claude 生成的,4/ 为基于人机交互的反馈机制提供 UI,以补充由 Amazon Bedrock 提供支持
EBSCOlearning scales assessment generation for their online learning content with generative AI
在本文中,我们说明了 EBSCOlearning 如何与 AWS 生成式 AI 创新中心 (GenAIIC) 合作,利用生成式 AI 的力量彻底改变其学习评估流程。我们探讨了传统问答 (QA) 生成所面临的挑战以及为解决这些挑战而开发的创新型 AI 驱动解决方案。
How Vidmob is using generative AI to transform its creative data landscape
在本文中,我们将说明创意数据公司 Vidmob 如何与 AWS 生成式 AI 创新中心 (GenAIIC) 团队合作,使用 Amazon Bedrock 在创意数据中大规模发现有意义的见解。