XiaoMi-AI文件搜索系统
World File Search SystemRAG
PlanRAG：一种用于决策者的生成大型语言模型的规划检索增强生成方法
在本文中，我们进行了一项研究，以利用 LLM 作为需要复杂数据分析的决策制定的解决方案。我们将决策问答定义为针对决策问题 Q、业务规则 R 和数据库 D 回答最佳决策 d best 的任务。由于没有可以检验决策问答的基准，我们提出了决策问答基准 DQA。它有两个场景，定位和建造，由两个视频游戏（Europa Universalis IV 和 Victoria 3）构建，它们的目标与决策问答几乎相同。为了有效地解决决策问答问题，我们还提出了一种新的 RAG 技术，称为迭代计划然后检索增强生成（PlanRAG）。我们基于 PlanRAG 的 LM 生成决策制定计划作为第一步，检索器生成数据分析查询作为第二步。所提出的方法在定位场景中比最先进的迭代 RAG 方法高出 15.8%，在建筑场景中比最先进的迭代 RAG 方法高出 7.4%。我们在 https://github.com/myeon9h/PlanRAG 上发布了我们的代码和基准。
基础生成式 AI 模型研讨会
本次研讨会旨在分享应用此类方法的实践经验。三个演讲将 LLM 生成性地应用于从客户支持中的票务路由到教学助理再到具有道德挑战性的安乐死决策领域等各个领域。生成 AI 方法的幻觉在这三个领域都是有问题的，演讲描述了缓解这些幻觉的不同方法：针对一组固定输出的 RAG 与监督学习方法相结合，针对多模态知识图 (KG) 的 RAG，以及通过查询 LLM 本身进行一系列是非问题的可解释 AI 方法。在最后的小组讨论中，将分享和讨论经验教训。
“人工补给项目的运营框架……
智利面临的与水有关的挑战促使人们寻找新的方式来管理水资源，以便为社会提供水安全。因此，人们开始探索管理含水层补给（RAG）作为一种替代方案，以补充目前正在该国不同地区开展的努力。自 2012 年以来，人们对该主题的兴趣日益增加，特别是一些公共当局，他们开展了一系列试点研究，目的是获取 RAG 方面的经验，了解与不同替代方案相关的工程成本并理解其主要的技术、行政和治理问题。事实上，智利有各种不同规模、不同地点的研究和经验。
Political-RAG：使用生成式人工智能从媒体内容中提取政治信息
摘要：在数字时代，媒体内容对于政治分析至关重要，它们通过新闻文章、社交媒体帖子、演讲和报告提供宝贵的见解。自然语言处理 (NLP) 改变了政治信息提取 (IE)，使事件提取和情感分析等任务自动化。传统的 NLP 方法虽然有效，但通常针对特定任务，需要专业知识。相比之下，由生成人工智能 (GenAI) 驱动的大型语言模型 (LLM) 提供了更集成的解决方案。然而，特定领域的挑战依然存在，这导致了检索增强生成 (RAG) 框架的开发。RAG 通过整合外部数据检索来增强 LLM，解决了与数据可用性相关的问题。为了展示 RAG 的功能，我们介绍了 Political-RAG 系统，该系统旨在从媒体内容（包括 Twitter 数据和新闻文章）中提取政治事件信息。Political-RAG 系统最初是为事件提取而开发的，为开发各种复杂的政治 IE 任务奠定了基础。这些包括检测仇恨言论、分析冲突、评估政治偏见以及评估社会趋势、情绪和观点。
销售的生成AI：
摘要 - 提案请求（RFP）是一份销售文件，其中包含不同要求的供应商。RFP流程对于电信销售至关重要，需要对确保项目的有效和准确的响应。本文旨在为RFP响应自动化提供生成AI（Genai）解决方案的概念证明（POC）。使用了检索增强生成（RAG），是一个框架，通过从外部知识库中检索和增强域特异性信息来增强Genai模型。这项研究的方法主要涉及通过不同的分量变化实施和评估抹布，以及对RFP响应创建过程进行工作系统分析以推荐“待办事项”系统。结果表明，通过较小的块策略，简单的技术要求具有更准确的响应，而较大的块策略则适合先进的技术要求。总体而言，父母和子女块策略最适合所有要求。这项研究得出的结论是，可以创建POC，并就业务流程中的抹布实施实施RAG有价值的见解，强调其潜在的利益和风险。
与环境信息的本体论整合的混合问题回答模型
摘要本文提出了一种新的方法，用于构建一个问题回答模型，以分析环境部门内的全国确定贡献（NDC）报告。该方法基于配备了检索增强发电（RAG）并通过本体集成增强的大型语言模型（LLM）。承认直接应用抹布所固有的挑战，我们的方法始于开发用于NDC报告的专业本体论框架。该框架支持知识图的构建，该图形为问题回答（QA）模型提供了必要的，可验证的信息。在下一步中，该模型将抹布的嵌入与基于本体的查询相结合，旨在提高各种NDC报告中答案的可靠性。我们通过在不同LLM的一组问题和人/AI评估中测试混合模型的性能。虽然结果表明与气候变化相关的QA模型的效率提高，但它们也强调了在该域中获得显着增强的复杂性。我们的发现有助于对将本体论方法与LLM相结合以进行环境信息检索的潜在和局限性的持续讨论。
使用Wikipedia知识
自然的语言理解和产生已经取得了长足的进步，但持续的幻觉问题破坏了模型输出的可靠性。用外部知识来源（例如Wikipedia）介绍了检索提示的一代（RAG），提出了一种新颖而重要的方法来增强生成内容的事实准确性和连贯性。通过动态整合相关信息，Mistral模型表明了精度，回忆和整体响应质量的重大改进。本研究为减轻幻觉提供了一个强大的框架，为在关键应用程序中部署可靠的AI系统提供了宝贵的见解。全面的评估不足以提高抹布的潜力，以提高大语言模型的性能和可信度。
虚拟现实和语言模型，学习的新领域
拟议的研究介绍了创新的虚拟现实（VR）和大型语言模型（LLM）体系结构，以增强各种教育环境的学习过程，从学校到工业环境。利用LLM的功能和检索功能发电（RAG），建筑围绕着沉浸式VR应用。该应用程序使所有背景的学生都可以通过提出问题并以文本格式和VR中的视觉提示来与他们的环境进行交互式互动，从而促进了动态的学习体验。llms带有抹布作为这种体系结构的骨干，从而促进了将私人或域特异性数据集成到学习过程中。通过通过数据连接器无缝连接各种数据源，RAG克服了不同的和孤立的信息存储库的挑战，包括API，PDFS，SQL数据库等。RAG Solutions提供的数据索引通过将摄入的数据构造成优化的LLMs消费的格式，进一步简化了此过程。进行了一项经验研究，以评估该VR和LLM架构的有效性。二十名参与者分为实验组和对照组，以评估其学习过程的影响。实验组利用了沉浸式VR应用程序，该应用程序允许与教育环境进行互动互动，而对照组则遵循传统的学习方法。这项研究揭示了实验组的学习成果的显着改善，证明了将VR和LLMS整合到增强学习环境中的理解和参与方面的潜力。本研究提出了一种创新的方法，该方法利用了LLMS与沉浸式VR技术之间的协同作用，为变革性学习经验开辟了途径，超越了传统的界限，并在各种教育景观中获得了学习者。
