RAGの精度を高めるためにまずはLlamaindexの構造を理解する！入門編｜【㈱フクロウラボ】エンジニアブログ
フクロウラボの若杉です！ 最近では、社内のナレッジなどを参照してLLM（Large Language Model：大規模言語モデル）が回答を生成するチャットボットやアプリ作る機会が増えてきているのではないでしょうか。また、RAG(Retrieval-Augmented Generation)という言葉も一般的なってきました。 そこで、今回は、(Llamaindexにおける)RAGについてお話したいと思います。 RAG（Retrieval-Augmented Generation）とはRAGは、一般的な質問応答や文章生成のタスクにおいて、外部のナレッジを活用することで、より豊富で適切な回答や文章を生成することが期待されます。また、モデルは自己学習によってテキストデータベースを更新することも可能であり、新しい情報に迅速に適応することができます。 Retrieval-Augmented Gene
RAGの実案件に取り組んできた今までの知見をまとめてみた | DevelopersIO
はじめに 新規事業部 生成AIチーム 山本です。 ChatGPT（OpenAI API）をはじめとしたAIの言語モデル（Large Language Model：以下、LLM）を使用して、チャットボットを構築するケースが増えています。通常、LLMが学習したときのデータに含まれている内容以外に関する質問には回答ができません。そのため、例えば社内システムに関するチャットボットを作成しようとしても、素のLLMでは質問に対してわからないという回答や異なる知識に基づいた回答が（当然ながら）得られてしまいます。 この問題を解決する方法として、Retrieval Augmented Generation（以下、RAG）という手法がよく使用されます。RAGでは、ユーザからの質問に回答するために必要そうな内容が書かれた文章を検索し、その文章をLLMへの入力（プロンプト）に付け加えて渡すことで、ユーザが欲しい
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
