نویسنده (ها): Ajit Kumar Singh
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
بازیابی نسل (RAG) با توجه به اینکه مدل های زبان پاسخ های خود را در داده های خارجی پایه گذاری می کنند ، متحول می شود. سیستم های RAG با ترکیب یک بازپرداخت که اطلاعات مربوطه را از یک پایگاه دانش و یک ژنراتور ایجاد می کند که پاسخ هایی را با استفاده از آن اطلاعات ایجاد می کند ، خروجی های دقیق تر و قابل اعتماد تر را امکان پذیر می کند.
اما چگونه سیستم RAG را ارزیابی می کنید؟ از کجا می دانید که آیا این زمینه را بازیابی می کند یا پاسخ های قابل اعتماد ایجاد می کند؟
این راهنما همه آن را با معیارهای عملی ، نمونه های کار شده و بینش های عملی می شکند.
دو مؤلفه اصلی:
Retriever: بخش های مربوط به اطلاعات (زمینه) را از یک پایگاه داده بردار بیرون می کشد. Generator: از متن برای تولید یک پاسخ منسجم و واقعی استفاده می کند.
هر مرحله برای ارزیابی مناسب به مجموعه معیارهای خاص خود نیاز دارد. بیایید آنها را کاوش کنیم.
Retriever اولین مؤلفه مهم در هر سیستم RAG (بازیابی- آگوژ) است. آن را کار؟ برای واکشی مهمترین و مفیدترین اطلاعات از یک پایگاه داده بردار در پاسخ به پرس و جو ورودی.
برای ارزیابی اینکه چقدر خوب کار می کند ، ما به سه معیار اصلی متکی هستیم:
ارتباط با دقت و ارتباط با هم فراخوان متن
بیایید هر یک را کشف کنیم ، با دقت متنی.
اقدامات دقیق متنی آیا مناسب ترین گره های زمینه (تکه های اسناد) بالاتر از موارد بی ربط هستند. این فقط مربوط به آنچه بازیابی شد نیست ، بلکه چقدر خوب رتبه بندی شده است. وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر
منتشر شده از طریق به سمت هوش مصنوعی