LLMを自社特化にする「RAG」を使いこなすには 具体的な実装パターン2選
この連載について AIやデータ分析の分野では、毎日のように新しい技術やサービスが登場している。その中にはビジネスに役立つものも、根底をひっくり返すほどのものも存在する。本連載では、ITサービス企業・日本TCSの「AIラボ」で所長を務める三澤瑠花氏が、データ分析や生成AIの分野で注目されている最新論文や企業発表をビジネス視点から紹介する。 生成AIの導入が進む中、多くの企業が直面している課題が「RAG」の最適化です。RAGとは、大規模言語モデル（LLM）に外部データベースからの情報を組み合わせることで、より正確で最新の情報を含む回答を生成する技術です。 LLMが学習している内容は汎用的な情報であるため、例えば自社の社則の内容に即した回答を得られません。「ChatGPT」などにはファイル添付機能をアップロードして明示的に社則を提示し、回答を得る方法もありますが、もしLLMに指示や質問した内容に
ドキュメント レイアウト分析 - ドキュメント インテリジェンス (以前の Form Recognizer) - Azure AI services
重要 Document Intelligence パブリック プレビュー リリースは、開発中の機能への早期アクセスを提供します。 機能、アプローチ、およびプロセスは、一般提供 (GA) の前に、ユーザーからのフィードバックに基づいて変更される可能性があります。 Document Intelligence クライアント ライブラリのパブリック プレビュー バージョンは、REST API バージョン2024-02-29-preview にデフォルトで設定されます。 パブリック プレビュー バージョン 2024-02-29-preview は、現在、次の Azure リージョンでのみ使用できます。 米国東部 米国西部 2 "西ヨーロッパ"
RAG MLOps LT大会！！！ (2024/05/22 19:00〜)
RAG MLOps LT大会イベント概要 今注目が集まっているLLMを用いたRAG（Retrieval-Augmented Generation）のMLOpsや実用化の知見を共有するLT大会を開催します！ RAGや周辺技術を使ったプロダクトやサービスをPoCや本番システムで開発、運用する中で得た知見や困りごと、解決策等を共有する会です。 LT発表したい方は本勉強会の参加申し込み時にLT参加者として申し込みをお願いします。 LT参加の注意事項 発表者のコミュニケーションはMLOpsコミュニティのSlackワークスペース（ http://bit.ly/mlops-jp-slack ）で行います。登壇申込前にワークスペースに登録し、応募する際にSlackのユーザ名を必ず記載してください。ユーザ名がなく発表の調整ができない場合は発表を取り消しする場合がございます。ご容赦ください。 発表時間は1人約
Knowledge Graphs for RAG
Use Neo4j’s query language Cypher to manage and retrieve data stored in knowledge graphs. Write knowledge graph queries that find and format text data to provide more relevant context to LLMs for Retrieval Augmented Generation. Build a question-answering system using Neo4j and LangChain to chat with a knowledge graph of structured text documents. Knowledge graphs are used in development to structu
Building and Evaluating Advanced RAG Applications
Learn methods like sentence-window retrieval and auto-merging retrieval, improving your RAG pipeline's performance beyond the baseline.Learn evaluation best practices to streamline your process, and iteratively build a robust system.Dive into the RAG triad for evaluating the relevance and truthfulness of an LLM's response:Context Relevance, Groundedness, and Answer Relevance. Retrieval Augmented G
ChatGPTに社内文書に基づいた回答を生成させる仕組みを構築しました - コネヒト開発者ブログ
はじめに はじめまして、8月にコネヒトに入社したy.ikenoueです。 突然ですがみなさん、生成AIは使っておりますでしょうか？ ChatGPTやStable Diffusionといった代表的な生成AIの発表から約1年が経過し、そろそろブームも落ち着くかと思っていたのですが、つい先日もOpenAI DevDayにてChatGPTに関する様々なアップデートが発表されるなど、相変わらず目まぐるしい日々が続いていますね。 弊社における生成AIの活用状況はというと、以前に下記の記事にて、Slack上でChatGPTと会話できる環境を社内提供しているという取り組みをご紹介しました。 tech.connehito.com 本日は、上記の社内ツールに新たに追加した「社内文書の参照機能」についてご紹介します。 「社内文書の参照機能」の概要と開発動機 まずは「社内文書の参照機能」の概要と開発にいたった動機
Boosting RAG: Picking the Best Embedding & Reranker models
UPDATE: The pooling method for the Jina AI embeddings has been adjusted to use mean pooling, and the results have been updated accordingly. Notably, the JinaAI-v2-base-en with bge-reranker-largenow exhibits a Hit Rate of 0.938202 and an MRR (Mean Reciprocal Rank) of 0.868539 and withCohereRerank exhibits a Hit Rate of 0.932584, and an MRR of 0.873689. When building a Retrieval Augmented Generation
Retrieval-based LM (RAG system) ざっくり理解する
自分用の整理・勉強会用として作成した解説資料です。内容の正確性については保証しかねますので必ず論文を参照してください。誤りや引用漏れ等がありましたら @catshun_ までご指摘いただけますと幸いです。
社内情報検索システムで用いられるRAGの4つの実装方法
2 松本 和高 株式会社エクスプラザ リードエンジニア X: _mkazutaka Github: mkazutaka 18年にバックエンドエンジニアとしてメルカリに入社。その後、ミラ ティブ、フリーランスを得て株式会社エクスプラザに所属。フロント エンドからバックエンドまで幅広く開発しています。趣味で、FXの自 動売買Botを作成している 現在08/30に第一子が生まれ現在育休中 https://note.com/mkazutaka/n/n9f0e2c4dee96 CONFIDENTIAL INFORMATION: Not for Public Distribution - Do Not Copy 3 株式会社エクスプラザ （EXPLAZA, Inc.） 会社名 プロダクトの力で、豊かな暮らしをつくる ミッション 代表取締役CEO 高橋一生 代表者 2020年07月03日 設
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
From Local to Global: A Graph RAG Approach to Query-Focused Summarization - Microsoft Research
Do LLMs Really Adapt to Domains? An Ontology Learning Perspective
📝 Guest Post: RAG Evaluation Using Ragas*
Lessons from the Frontlines of AI Training
GraphRAG: Design Patterns, Challenges, Recommendations
注目の生成AI関連技術「Knowledge Graph」で、桃太郎の物語を視覚化してみよう【イニシャルB】
GitHub - langchain-ai/rag-from-scratch
Preprocessing Unstructured Data for LLM Applications
Build RAG applications with LangChain and Google Cloud | Google Cloud Blog
Advanced Retrieval for AI with Chroma
Head-to-Tail: How Knowledgeable are Large Language Models (LLMs)? A.K.A. Will LLMs Replace Knowledge Graphs?