Asiana Airlines awards dnata Prague contract
DNATA已获得一份多年合同，以向位于捷克共和国布拉格的VáclavHavel机场（PRG）的亚洲航空公司提供机上餐饮服务。 DNATA的专业团队将在[…]
Mixedbread Cloud: A Unified API for RAG Pipelines
探索此统一的API用于文件上传，文档解析，嵌入模型，矢量存储和检索管道。
在这篇文章中，我们将浏览一个完整的应用程序，该应用程序使用Amazon Bedrock数据自动化处理多模式内容，将提取的信息存储在Anamazon BedRock知识库中，并通过基于RAG的Q＆A接口进行自然语言查询。
Retrieval Augmented Generation (RAG) — An Introduction
鉴于要在时间和成本效益的方式中保持模型的最新情况的迫切需求，RAG已成为越来越受欢迎的Architecturethe the theferethe treestrieval Exented Generation（RAG） - 首先出现了介绍数据科学的介绍。
在这次采访中，我们与跨平台AI工程师兼创始合作伙伴Raghu Para进行了交谈，该公司致力于建立可扩展的智能系统，这些系统在平台和行业之间无缝运行。 Raghu分享了有关从检索的生成和代理AI到制造和物流中AI驱动自动化的未来的主题的观点。他还解决了[…]
在这篇文章中，我们使用Amazon Bedrock探索使用RAG创建文本到SQL应用程序。我们使用人类的Claude 3.5十四行诗型号来生成SQL查询，亚马逊基德岩中的亚马逊泰坦（Amazon Titan）用于文本嵌入，亚马逊基德岩（Amazon Bedrock）访问这些型号。
Generate synthetic counterparty (CR) risk data with generative AI using Amazon Bedrock LLMs and RAG
在这篇文章中，我们探讨了如何将LLM与高级检索增强发电（RAG）一起生成金融领域用例的高质量合成数据。您也可以将相同的技术用于其他业务领域用例的合成数据。在这篇文章中，我们演示了如何产生对方风险（CR）数据，这将对非正式交易的非处方（OTC）衍生产品有益，而无需进行正式交流。
From concept to reality: Navigating the Journey of RAG from proof of concept to production
在本文中，我们探讨了 RAG 应用程序从概念验证或最小可行产品 (MVP) 阶段向成熟生产系统的转变。在将 RAG 应用程序从概念验证过渡到可用于生产的系统时，优化变得至关重要，以确保解决方案可靠、经济高效且性能卓越。
Creating a Useful Voice-Activated Fully Local RAG System
本文将探讨启动 RAG 系统并使其完全语音激活。
What is RAFT? RAG + Fine-Tuning
简单来说，检索增强微调 (RAFT) 是一种先进的 AI 技术，其中检索增强生成与微调相结合，以增强大型语言模型针对特定领域特定应用的生成响应。它允许大型语言模型提供更准确、上下文相关且稳健的结果，尤其是针对目标行业 […]
The Future of RAG-Augmented Image Generation
生成扩散模型（如稳定扩散、通量）和视频模型（如浑元）依赖于使用固定数据集在单个资源密集型训练会话中获得的知识。在此训练之后引入的任何概念（称为知识截止）都不存在于模型中，除非通过微调或外部适应技术（如 […]）进行补充。文章《RAG 增强图像生成的未来》首先出现在 Unite.AI 上。
Develop a RAG-based application using Amazon Aurora with Amazon Kendra
RAG 从预先存在的知识库（您的数据）中检索数据，将其与 LLM 的知识相结合，并生成更像人类语言的响应。但是，为了让生成式 AI 理解您的数据，需要进行一定程度的数据准备，这涉及很大的学习曲线。在这篇文章中，我们将引导您了解如何将现有的 Aurora 数据转换为索引，而无需为 Amazon Kendra 进行数据准备以执行数据搜索并实施 RAG，将您的数据与 LLM 知识相结合以产生准确的响应。
Optimizing RAG with Better Data and Prompts
RAG（检索增强生成）是一种最新方法，可以高效地增强 LLM，结合了生成能力和实时数据检索。RAG 允许给定的 AI 驱动系统生成准确、相关且由数据丰富的上下文输出，从而使它们比纯 LLM 更具优势。RAG 优化是一种整体方法，[…]
RAG vs. Fine-Tuning: Which One Suits Your LLM?
大型语言模型 (LLM)（例如 GPT-4 和 Llama 3）已经影响了 AI 领域，并在从客户服务到内容生成的各个方面都表现出色。但是，根据特定需求调整这些模型通常意味着在两种强大的技术之间进行选择：检索增强生成 (RAG) 和微调。虽然这两种方法都增强了 LLM，但它们针对不同的[…]
Implement RAG while meeting data residency requirements using AWS hybrid and edge services
在本文中，我们展示了如何将 Amazon Bedrock Agents 扩展到混合和边缘服务（例如 AWS Outposts 和 AWS Local Zones），以使用本地数据构建分布式检索增强生成 (RAG) 应用程序，从而改善模型结果。借助 Outposts，我们还涵盖了完全本地 RAG 应用程序的参考模式，该应用程序需要基础模型 (FM) 和数据源都驻留在本地。
Getting Started with Building RAG Systems Using Haystack
检索增强生成 (RAG) 正在改变我们使用大型语言模型的方式，但构建这些系统可能会非常繁琐。在本文中，您将学习如何使用 Haystack 构建 RAG 系统。
Improving Retrieval Augmented Generation accuracy with GraphRAG
AWS 合作伙伴 Lettria 证明，与仅使用向量的检索方法相比，将基于图形的结构集成到 RAG 工作流中可将答案准确率提高高达 35%。在这篇文章中，我们探讨了为什么 GraphRAG 比单独的向量 RAG 更全面、更易于解释，以及如何使用 AWS 服务和 Lettria 使用此方法。
Multimodal RAG Implementation with Hugging Face
了解如何通过使用 Hugging Face Transformers 结合文本和视觉输入来增强 RAG 模型。
