RAGできるSlackチャットボットを作ってみた | DevelopersIO
Bedrock, OpenSearch Serverless, App Runner, Slack Bolt, LangChainを利用してRAGを実行できるSlackチャットボットを作成しました。 こんにちは。たにもんです。 生成AIを活用したアプリケーションの代表例としてRAG (Retrieval-Augmented Generation; 検索拡張生成) があります。 LLMが生成する文章にはもっともらしい嘘（ハルシネーション）が含まれることがありますが、RAGを用いることでハルシネーションを抑える効果が期待できます。 ハルシネーションはLLMが学習していない知識に関する文章を生成する際に発生する可能性が高まりますが、RAGではユーザーの入力に関連する情報を外部から検索してLLMの知識を補ってあげることで精度向上を目指します。 今回はRAGを実行できるSlackチャットボットを作っ
【RAG】LangChainでつくるRAGチャットボット ～質問のコンテキスト化を試す～
前回の記事で、会話履歴付きのRAGチャットボットを試してみました。ユーザーの質問とLLMの回答を履歴として保持し、それを2回目以降の質問の際にプロンプトに含めるだけで、それなりに文脈を意識した回答をLLMが生成してくれるようになりました。 今回は、さらにRAGチャットボットの性能向上を目指して、LangChainのWebサイトにも載っている「質問のコンテキスト化」（Contextualizing the question）を試してみます。 RAGチャットボットにおける質問のコンテキスト化とは？ RAGチャットボットにおける「質問のコンテキスト化」は、2回目以降のユーザーの質問（クエリ）を、会話履歴を参照して単独で成立する質問に補完する技術のことです。 LangChainのWebサイトに掲載されている例を挙げてみます。 Human: "What is Task Decomposition?"
RAG評価ツール「RAGAS」の論文を読む
本記事では、RAG評価ツールの「RAGAS」の論文ついてざっくり理解します。軽めの記事です。 株式会社ナレッジセンスでは、生成AIやRAGシステムを活用したサービスを開発しており、その中でもRAG精度の評価は非常に重要です。 この記事は何 この記事は、「RAGAS」についての論文[1]を、日本語で簡単にまとめたものです。RAGASはツールとして有名ではあるものの、RAGASの論文を読んだことがある方は多くなさそうです。 RAGASとは、おそらく今、一番有名なRAG評価ツールです。同様のツールとして、他にはLangSmithやARESが有名かと思いますが、他の開発者と話をしていても、評価ツールとして一番に名前が上がりやすいのは、やはりRAGASです。 また、今回も「そもそもRAGとは？」については、知っている前提で進みます。確認する場合は以下の記事もご参考下さい。 本題 ざっくりサマリー R
GitHub - confident-ai/deepeval: The LLM Evaluation Framework
DeepEval is a simple-to-use, open-source LLM evaluation framework. It is similar to Pytest but specialized for unit testing LLM outputs. DeepEval incorporates the latest research to evaluate LLM outputs based on metrics such as G-Eval, hallucination, answer relevancy, RAGAS, etc., which uses LLMs and various other NLP models that runs locally on your machine for evaluation. Whether your applicatio
RAGエージェントを10倍速くする「REAPER」
株式会社ナレッジセンスは、生成AIやRAGを使ったプロダクトを、エンタープライズ向けに開発提供しているスタートアップです。本記事では、RAGの性能を高めるための「REAPER」という手法について、ざっくり理解します。 この記事は何 この記事は、RAGを活用したAIエージェントの回答速度を10倍速くする「REAPER」の論文[1]について、日本語で簡単にまとめたものです。 今回も「そもそもRAGとは？」については、知っている前提で進みます。確認する場合は以下の記事もご参考下さい。 本題 ざっくりサマリー REAPER は、ユーザーからの複雑な質問に対して、高速で回答できるようにするためのRAGの手法です。Amazonの研究者らによって2024年7月に提案されました。AmazonのようなECサイトのチャットボットでは、まさに、REAPERのようなRAG手法が大活躍します。「複雑な質問がくる上に
Microsoft、RAGの機能を拡張、強化させたGraphRAGを一般利用可能に | gihyo.jp
Microsoft、RAGの機能を拡張、強化させたGraphRAGを一般利用可能に Microsoftは2024年7月2日、LLMが生成する出力の精度を向上させるために利用するRAG（検索拡張生成）の機能を拡張/強化した「GraphRAG」をGitHub上で公開した。 GraphRAG: New tool for complex data discovery now on GitHub -Microsoft Research Blog Welcome to GraphRAG RAG（Retrieval-Augmented Generation：検索拡張生成）は、ユーザーのクエリに基づいて特定の分野や組織の内部ナレッジベースの情報を検索し、その結果を参照してAIの回答に組み合わせる技術。モデルを再トレーニングすることなく、これらの情報を生成結果に即座に反映できる。 一方、通常のRAG
RAG評価ツール ragas を試す｜npaka
RAG評価ツール「ragas」を試したので、まとめました。 1. ragas「ragas」は、「RAG」 (Retrieval Augmented Generation) パイプラインを評価するためのフレームワークです。「RAG」は外部データを使用してLLMのコンテキストを拡張するLLMアプリケーションです。「ragas」はこのパイプラインを評価して、パフォーマンスを定量化します。 2. Colabでの実行Colabでの実行手順は、次のとおりです。 (1) RAGパイプラインの準備。 今回は、以下の記事で作成した、ELYZAのRAGパイプラインを使います。 (2) パッケージのインストール。 # パッケージのインストール !pip install ragas datasets(3) 環境変数の準備。 「ragas」は「OpenAI API」で評価します。 import os import
実用化への道：LLMアプリ強化のためのRAG技術17選｜0xpanda alpha lab
企業での生成AIの活用がますます進んでいますが、LLM（大規模言語モデル）アプリを実用レベルに引き上げるには、RAG（Retrieve-Augment-Generate）技術が欠かせません。この記事では、Dominik Polzer氏による「17 (Advanced) RAG Techniques to Turn Your LLM App Prototype into a Production-Ready Solution」の内容を基に、企業がLLMアプリを製品化するための17のRAG技術を紹介します。 1. データ準備RAGシステムの第一歩は、データの準備です。以下のステップでデータを適切に処理しましょう。 データのクリーニング：原始データを洗浄し、欠損値やノイズを除去。 データの変換：データを必要なフォーマットに変換。 データのフォーマット：直接的に訓練やLLMの駆動に適した形式に整え
本番対応のRAGアプリケーション構築: AIソリューションアーキテクトのガイド｜生成AI活用研究部
本記事については生成AIを活用して生成された記事となります。 解説内容の正確性については読者ご自身でご確認いただきますようお願いいたします。 本記事はBuilding Production-Ready RAG Applications: An AI Solution Architect’s Guideの解説記事となります。 Retrieval Augmented Generation（RAG）は、情報検索とテキスト生成を組み合わせた高度なAI技術で、知識源から関連情報を検索し、それを生成されたテキストに組み込むことができます。RAGは、内容生成の分野で画期的な進展をもたらし、私たちがテキストを生成し、やり取りする方法を変革しています。本ガイドでは、RAGの世界に踏み込み、本番対応のRAGアプリケーションを構築する方法について詳しく説明します。 RAGの理解RAGのパラダイムRAGには、情報
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
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
GitHub - GoogleCloudPlatform/terraform-genai-rag at sic-jss
GitHub - NirDiamant/RAG_Techniques: This repository showcases various advanced techniques for Retrieval-Augmented Generation (RAG) systems. RAG systems combine information retrieval with generative models to provide accurate and contextually rich response
RAG with BigQuery and Langchain in Cloud | Google Cloud Blog
Google Colab
Google Colab
Evaluate RAG Pipeline using RAGAS
LangChain "RAG Evaluation" Webinar
GitHub - explodinggradients/ragas: Evaluation framework for your Retrieval Augmented Generation (RAG) pipelines
GitHub - Azure-Samples/rag-data-openai-python-promptflow: A copilot sample that uses python to ground the copilot responses in company data.
Introduction | Ragas
Building Production-Ready RAG Applications: An AI Solution Architect’s Guide