Teadmistebaasiotsing ja teadmussüsteemid

Ehita isiklik RAG: vestle oma dokumentidega

Ehita ja hinda piiritletud dokumendipõhist assistenti. Võrdle hallatud märkmikke, projektitööruume ja seadistatavat otsingut, nõrgendamata päritolu ega ligipääsuõigusi.

Tootmis-RAG-i ehitamine: andmehõive, vektoresitused, otsing, ümberreastamine ja hindamine

Tootmis-RAG-konveier on kuus etappi, igaühel oma mustrid, mis määravad kvaliteedi. Arhitektuur, valikud igal etapil ning iteratiivne hindamisdistsipliin, mis eristab töötava RAG-i pettumustvalmistavast.

10 min lugemist

Ettevõtte teadmiste RAG: õigused, lekked ja allikapiirid

Ettevõtte teadmiste assistent on ohutu ainult siis, kui retrieval austab õigusi. Kuidas disainida RAG-i allikapiire, ACL-filtreid, dokumendiomanikke, logimist, aegunud allikate käsitlemist ja keeldumiskäitumist.

Veel selles teemas

9 min lugemist

Isiklik teadmiste süsteem, mis aitab leida, mitte koguda

Piiratud süsteem jäädvustamisest leidmiseni koos selgete kasutusjuhtumite, leidmise testide, ülevaatuskuupäevade, kustutamise reeglite ja hoiatustega tundlike märkmete, teiste inimeste andmete ning teenusepakkuja hallatavate kontode osas.

20 minutit

RAG-i õigused ja ligipääsukontroll: süvitsi õpetus

Paragon. Käib läbi tootmise RAG-i õiguste probleemi ning võrdleb tööriistakutseid, namespace’e, ACL-tabeleid ja relatsioonipõhiseid õigusi. See toetab artikli põhireeglit: otsing peab tagastama ainult need allikad, mida praegune kasutaja tohib näha.

7 minutit

Parem RAG ja AI agendid Doclinguga

IBM Technology. Video selgitab, kuidas valmistada PDF-id ja muud failid ette nii, et dokumendi struktuur, tabelid ja paigutus säiliksid ka hilisemas otsingus. See toetab artikli põhimõtet, et RAG-i kvaliteet ja ohutus algavad enne vektoresituste loomist.

Turvaline dokumentide ettevalmistus RAG-i jaoks: PDF-id, OCR, metaandmed ja säilitus

RAG-i kvaliteet algab enne otsingut. Turvalise dokumendiettevalmistuse juhend PDF-ide, OCR-i, metaandmete, õiguste, allika värskuse, kustutamise, pahavara riski ja operatsioonilise omanikluse jaoks.

Kavanda AI-klienditoe agent: triaaž, teadmised, toimingud ja eskaleerimine

Järjekorraandmetel hinnatav näidislahendus toe triaažiks, otsinguks, vastuste koostamiseks, kontrollitud toiminguteks ja inimesele eskaleerimiseks koos turvaliseks piloodiks vajalike reegli- ning mõõtmispiiridega.

Tükeldamine, ümberreastamine ja hübriidotsing: pane RAG päriselt tööle

Enamik RAG-rakendusi töötab halvasti, sest kolm põhiasja on valesti tehtud. Praktiline juhend dokumentide tükeldamiseks, tulemuste ümberreastamiseks ning märksõna- ja semantilise otsingu ühendamiseks — ilma et peaksid saama otsinguinseneriks.

Konteksti kavandamine: suurte kontekstiakende haldamine ilma kvaliteedilanguseta

Suured kontekstiaknad on olemas, aga kvaliteet võib halveneda ammu enne tehnilist piiri. Konteksti-insenertöö on distsipliin kontekstiakende efektiivseks kasutamiseks: mida kaasata, mida kokku võtta, mida värskelt välja otsida ning millised mustrid hoiavad kvaliteedi kõrgel.

Ehita n8n-is esimene AI-agent: müügivihjete eelsõelumise terviktöövoog

Dokumenteeritud n8n-i müügivihjete eelsõelumise lahendus: valideeri sisend, piira agendi tööriistu, kontrolli struktureeritud väljundit, salvesta ettepanek ühe tervikliku toiminguna ja jäta iga kliendile nähtav tegevus heakskiidu taha.

Valik promptimise, RAG-i ja peenhäälestuse vahel ning nende kombineerimine

Prompting, RAG ja peenhäälestus on kolm suurt hooba LLM-ide kohandamiseks sinu probleemile. Iga sobib mõnele probleemile ja ei sobi teistele. Raamistik valimiseks, iga reaalsed kulud ja toodangumustrid, kus nende kombineerimine hiilgab.

RAG tekstilõikudest kaugemale: graafi-RAG, agentidega RAG ja pika konteksti RAG

Klassikalisel tükipõhisel RAG-il on piirid. Graafi-RAG, agentne RAG ja pika konteksti RAG nihutavad neid piire erinevatel viisidel. Millal kumb on õige tööriist, kuidas need päriselt töötavad ja millised tootmiskompromissid loevad.

11 minutit

Kuidas kasutada NotebookLM-i algajana 2024. aastal

TheAIGRID. See vanem funktsioonipõhine ülevaade näitab eri allikatüüpide üleslaadimist, ühele allikale keskendumist, ülevaatedokumente ja Audio Overview'sid salvestamise ajal kasutatud liideses. See aitab töövoo osi ära tunda, kuid ei kinnita praegust Gemini Notebooki liidest ega funktsioonide saadavust.

26 minutit

Kuidas kasutada NotebookLM-i, Google'i AI-põhist „mõistmise tööriista“

Tiago Forte. Raamatu _Building a Second Brain_ autor Tiago Forte näitab toodet, mida tollal nimetati NotebookLM-iks, märkmete, PDF-ide ja väljavõtete abil. Kasulik muster on piiritletud allikakogu valimine, dokumentide kohta küsimuste esitamine, lingitud lõikude kontrollimine ja otsustamine, kuidas saadud artefaktid olemasolevasse teadmiste töövoogu sobituvad.

69 minutit

5 taset teksti tükeldamiseks leidmise jaoks

Greg Kamradt. Artikkel käsitleb tükeldamist põhjalikult ning video selgitab rahulikus tempos, mida eri tükeldamisstrateegiad tegelikult teevad — rekursiivsest märgipõhisest meetodist dokumendi struktuuri arvestava, semantilise ja agentse tükeldamiseni. Kasuta kõrvale Gregi tasuta ChunkVizi tööriista, et enne häälestamist paremini mõista, kuidas valikud tulemust mõjutavad.

24 minutit

"Tahan, et Llama3 mu privaatse teadmusega 10x paremini töötaks" - lokaalne agentne RAG llama3-ga

AI Jason. Video käsitleb ühes käivitatavas lahenduses päringu teisendamist, hübriidotsingut, ümberreastamist ja korrigeerivat RAG-tsüklit. See annab praktilise ettekujutuse töötlusahelast „tekstiosa → ümberreastamine → vastus”.

17 minutit

RAG-agendid tootmises: 10 õppetundi — Douwe Kiela, RAG-i looja

AI Engineer. Douwe Kiela juhtis FAIR-is algse RAG-artikli koostamist ja juurutab nüüd RAG-lahendusi reguleeritud ettevõtetes. Ettekanne keskendub sellele, mis suurel skaalal enam ei tööta: tükeldamisstrateegiad, mis ei pea vastu 100 000 dokumendile, ebatäpsete vastuste tegelik mõju ning põhjus, miks allikaseos ja vaadeldavus võivad olla olulisemad kui vektoresitusmudeli valik. See annab hea tausta artikli hindamis- ja seirepeatükkidele.

19 minutit

Tootmiskõlblike RAG-rakenduste ehitamine: Jerry Liu

AI Engineer. LlamaIndexi tegevjuht selgitab erinevust lihtsa RAG-demo ja päris töötlusahela vahel: väiksematest osadest suurema konteksti leidmist, alamküsimuste marsruutimist, hübriidotsingut ja hindamist. Tema skeemid haakuvad otseselt artikli töötlusetappidega.

9 minutit

RAG vs Fine Tuning

IBM Technology. Tihedam fookus kahele tehnikale, mida tiimid kõige sagedamini segi ajavad. Läheb sügavamale andmete värskuse, allika atributsiooni ja inference-aja kiiruse argumendi osas fine-tuningu poolt. Vaatamist väärt, kui üritad spetsiifiliselt argumenteerida tarbetu fine-tune projekti vastu.

13 minutit

RAG vs Fine-Tuning vs prompti inseneeria: AI-mudelite optimeerimine

IBM Technology. Selge tahvli-läbikäik kõigist kolmest tehnikast koos nende vastavate kuludega — leidmise latentsus, treenimise arvutusvõimsus ja katastroofiline unustamine, ainult-promptiga lahenduste piirid — ja kombinatsioonid, mis produktsioonis päriselt mõtet annavad. Lõpetav näide juriidilisest AI-süsteemist, mis kasutab kõiki kolme, on peaaegu täpselt artikli "millal kombineerida" argument.

39 minutit

Tutvustame RAG 2.0: agentne RAG + teadmusgraafid (TASUTA mall)

Cole Medin. Töötav agentse-RAG-pluss-teadmusgraafi ehitus, kus agent otsustab, millal teha vektorotsingut, millal lüüa Neo4j-i pihta ja millal mõlemat. See on YouTube'i puhtaim demonstratsioon "agent leidmise-planeerijana" mustrist, mida artikkel kirjeldab, koodis, mille saad päriselt alla tõmmata ja käivitada.

16 minutit

Graph RAG: RAG-i parandamine teadmusgraafidega

Prompt Engineering. Keskendunud läbikäik Microsofti GraphRAG-ist — entiteetide eraldamine, kogukondade kokkuvõtted, päringule-keskendunud kokkuvõte — seadistatud lokaalsel masinal koos kulu märkmetega. Vaata see artikli graph-RAG sektsiooni jaoks; kulu-arutelu on osa, mille enamik kirjutisi vahele jätab.