Ämne

RAG och kunskapssystem

Personlig RAG, produktionsanpassad hämtning, segmentering, behörigheter, inläsning och källgränser.

13 innehållsposter (7 artiklar · 6 videor)

Börja här

Börja med några rekommenderade innehållsposter innan du går igenom hela flödet.

Mer i detta ämne

9 min läsning
Artikel

Ett personligt kunskapssystem som hjälper dig att hitta tillbaka – inte bara samla

Ett avgränsat system från insamling till återfinning med tydliga användningsfall, återfinningstester, granskningsdatum, raderingsregler och varningar om känsliga anteckningar, andras data och konton hos leverantörer.

Mellannivå
20 minuter
Video

Behörigheter och åtkomstkontroll för RAG – en fördjupad guide

Paragon. Går igenom behörighetsproblemet för RAG i produktion och jämför verktygsanrop, namnrymder, ACL-tabeller och relationsbaserade behörigheter. Det stöder direkt artikelns huvudregel: informationshämtningen får endast returnera källor som den aktuella användaren har rätt att se, och källsystemens behörigheter får inte behandlas som en efterhandsfråga.

Avancerad
7 minuter
Video

Få bättre RAG och AI-agenter med Docling

IBM Technology. Förklarar inläsningsdelen av RAG och agenter: hur PDF-filer och andra filer förbereds så att dokumentstruktur, tabeller och layout bevaras för efterföljande informationshämtning. Det stöder artikelns varning om att kvaliteten och säkerheten hos RAG börjar före vektoriseringen, särskilt när komplexa affärsdokument ska tolkas.

Avancerad
11 min läsning
Artikel

Säker dokumentinläsning för RAG: PDF-filer, OCR, metadata och lagringstid

Kvaliteten på RAG börjar före hämtningen. En säker guide till inläsning av PDF-filer, OCR, metadata, behörigheter, källors aktualitet, radering, risk för skadlig kod och operativt ansvar.

Avancerad
11 min läsning
Artikel

Utforma en AI-supportagent: triage, kunskap, åtgärder och eskalering

En köutvärderad referensdesign för supporttriage, hämtning, svarsutkast, kontrollerade åtgärder och mänsklig eskalering, med de policy- och mätgränser som krävs för en säker pilot.

Mellannivå
11 min läsning
Artikel

Bygg din första AI-agent i n8n: ett komplett arbetsflöde för leadprioritering

En dokumenterad n8n-design för leadprioritering: validera indata, begränsa agentens verktyg, validera strukturerade utdata, spara ett atomiskt förslag och håll varje kundsynlig åtgärd bakom ett godkännande.

Mellannivå
12 min läsning
Artikel

Välj mellan promptning, RAG och finjustering (och när de bör kombineras)

Promptning, RAG och finjustering är de tre stora verktygen för att anpassa LLM-modeller till ditt problem. Var och en passar vissa problem och är fel för andra. Ett ramverk för valet, de realistiska kostnaderna och de produktionsmönster där kombinationer ger bäst resultat.

Avancerad
11 minuter
Video

Så använder du NotebookLM som nybörjare 2024 (handledning i NotebookLM)

TheAIGRID. Den äldre, funktionsinriktade rundturen visar uppladdning av blandade källor, fokus på en enda källa, informationsunderlag och Audio Overviews i det gränssnitt som fanns när den spelades in. Den är användbar för att känna igen delar i arbetsflödet, inte för att bekräfta aktuellt gränssnitt eller aktuella funktioner i Gemini Notebook.

Mellannivå
26 minuter
Video

Så använder du NotebookLM (Googles AI-baserade ”verktyg för förståelse”)

Tiago Forte. Tiago Forte, författare till _Building a Second Brain_, demonstrerar produkten som då hette NotebookLM med anteckningar, PDF-filer och urklipp. Det användbara mönstret är att välja en avgränsad källuppsättning, ställa dokumentfrågor, granska länkade textavsnitt och avgöra hur de skapade artefakterna passar in i ett befintligt kunskapsflöde.

Mellannivå
9 minuter
Video

RAG kontra finjustering

IBM Technology. Ett mer avgränsat fokus på de två tekniker som team oftast blandar ihop. Videon går djupare in på datas aktualitet, källhänvisningar och argumentet att finjustering kan ge snabbare inferens. Den är värd att se om du specifikt försöker argumentera mot ett onödigt finjusteringsprojekt.

Avancerad
13 minuter
Video

RAG kontra finjustering kontra promptutformning: optimera AI-modeller

IBM Technology. En tydlig whiteboardgenomgång av alla tre teknikerna och deras respektive kostnader: latens vid informationshämtning, beräkningskostnaden för träning och katastrofal glömska samt begränsningarna med lösningar som enbart bygger på prompter. Den tar också upp de kombinationer som faktiskt är rimliga i produktion. Det avslutande exemplet, där ett juridiskt AI-system använder alla tre teknikerna, motsvarar nästan exakt artikelns argument om när de bör kombineras.

Avancerad