« Génération augmentée d'information applicative (GAIA) » : différence entre les versions
m (Patrickdrouin a déplacé la page RAG vers Génération augmentée d'information contextuelle) |
m (Claude COULOMBE a déplacé la page Génération augmentée d'information applicative vers Génération augmentée d'information applicative (GAIA)) |
||
| (19 versions intermédiaires par 2 utilisateurs non affichées) | |||
| Ligne 1 : | Ligne 1 : | ||
== Définition == | == Définition == | ||
Méthode d' | Méthode d'adaptation, [[peaufinage]] des résultats d'un [[grand modèle de langues]] par enrichissement des requêtes avec des sources d'informations externes et à jour afin de générer des résultats plus précis et plus utiles. | ||
== Compléments == | == Compléments == | ||
On ne touche pas au grand modèle de langues, mais on enrichit les requêtes en encodant les données d’entrée avec des [[vecteur sémantique compact|vecteurs sémantiques compacts]] (''embeddings'') du domaine d’application. Ces [[vecteur sémantique compact|vecteurs sémantiques compacts]] proviennent d'une base de données vectorielles. | |||
<hr/> | |||
Ici, on ne modifie pas le modèle de langues, mais on ajoute un contexte supplémentaire à la requête permettant au [[grand modèle de langues]] de répondre aux questions avec des informations sur le sujet. | Ici, on ne modifie pas le modèle de langues, mais on ajoute un contexte supplémentaire à la requête permettant au [[grand modèle de langues]] de répondre aux questions avec des informations sur le sujet. | ||
Lorsqu'un utilisateur fait une requête, celle-ci est enrichie à l'aide de [[ | Lorsqu'un utilisateur fait une requête, celle-ci est enrichie à l'aide de [[vecteur sémantique compact|vecteurs sémantiques compacts]] similaires retrouvées dans la base de données vectorielles par l'[[Algorithme des k plus proches voisins|algorithme des k plus proches voisins]] ([[métrique de similarité cosinus]]). Une fois que nous avons trouvé des [[vecteur sémantique compact|vecteur sémantique compact]] similaires, nous soumettons une requête avec les données associées pour fournir un contexte permettant au [[grand modèle de langues]] de mieux répondre à la question. | ||
== Français == | == Français == | ||
'''génération augmentée d'information applicative''' | |||
'''GAIA''' | |||
'''génération augmentée d'information contextuelle''' | '''génération augmentée d'information contextuelle''' | ||
'''GAIC''' | '''GAIC''' | ||
'''adaptation par enrichissement contextuel''' | |||
'''AEC''' | |||
'''peaufinage par enrichissement contextuel''' | |||
'''PEC''' | |||
'''enrichissement contextuel''' | |||
'''génération augmentée par récupération''' | |||
== Anglais == | == Anglais == | ||
| Ligne 17 : | Ligne 36 : | ||
'''RAG''' | '''RAG''' | ||
==Sources== | |||
[https://towardsdatascience.com/retrieval-augmented-generation-rag-from-theory-to-langchain-implementation-4e9bd5f6a4f2 Source : towardsdatascience] | |||
[https://research.ibm.com/blog/retrieval-augmented-generation-RAG Source : research.ibm.com] | |||
[[Catégorie: | [https://arxiv.org/abs/2005.11401v4 Source: Meta] | ||
[[Catégorie:Intelligence artificielle]] | |||
[[Catégorie:GRAND LEXIQUE FRANÇAIS]] | |||
[[Catégorie:101]] | |||
Dernière version du 31 octobre 2024 à 04:10
Définition
Méthode d'adaptation, peaufinage des résultats d'un grand modèle de langues par enrichissement des requêtes avec des sources d'informations externes et à jour afin de générer des résultats plus précis et plus utiles.
Compléments
On ne touche pas au grand modèle de langues, mais on enrichit les requêtes en encodant les données d’entrée avec des vecteurs sémantiques compacts (embeddings) du domaine d’application. Ces vecteurs sémantiques compacts proviennent d'une base de données vectorielles.
Ici, on ne modifie pas le modèle de langues, mais on ajoute un contexte supplémentaire à la requête permettant au grand modèle de langues de répondre aux questions avec des informations sur le sujet.
Lorsqu'un utilisateur fait une requête, celle-ci est enrichie à l'aide de vecteurs sémantiques compacts similaires retrouvées dans la base de données vectorielles par l'algorithme des k plus proches voisins (métrique de similarité cosinus). Une fois que nous avons trouvé des vecteur sémantique compact similaires, nous soumettons une requête avec les données associées pour fournir un contexte permettant au grand modèle de langues de mieux répondre à la question.
Français
génération augmentée d'information applicative
GAIA
génération augmentée d'information contextuelle
GAIC
adaptation par enrichissement contextuel
AEC
peaufinage par enrichissement contextuel
PEC
enrichissement contextuel
génération augmentée par récupération
Anglais
retrieval augmented generation
RAG
Sources
Contributeurs: Claude Coulombe, Patrick Drouin, wiki
