ihower { blogging }

愛好 AI Engineer 電子報 🚀 檢索增強生成 RAG 特輯 #15

歡迎訂閱 📬 愛好 AI Engineer 電子報過往期數點這 📚

Hello! 你好 👋

我是 ihower，這集是 RAG 進階特輯。如果不知道什麼是基本的 naive RAG(或叫做 top-k RAG) ，可以先看我的入門投影片有關 RAG 的介紹。簡單講，RAG 就是根據用戶問題，檢索出最相關的內容，然後放到 Prompt 裡面讓模型做參考回答。

閱讀全文

使用繁體中文評測各家 Reranker 模型的重排能力

(2024/7/25) 有新增內容 LLM-based Ranker 在最後

接續上一篇 Embedding 模型評測，這次我們來看看搭配 Reranker (重排)模型，做成二階段檢索會是什麼情況。

圖片出處: Boosting Your Search and RAG with Voyage’s Rerankers

什麼是二階段檢索?

Reranker 模型是另一種不一樣的模型(學名叫做 Cross-Encoder)，不同於 embedding 模型(學名叫做 Bi-Encoder) 輸入是文字，輸出是高維度向量。Reranker 模型的輸入是兩段文字，輸出一個相關性分數 0 到 1 之間，也就是我們會將用戶 query 跟每一份文件都去算相關性分數，然後根據分數排序。

Reranker 的執行速度較慢，成本較高，但在判斷相關性上面，比 embedding 模型更準確
因此當資料非常多、想要快又要準時，跟 embeddings 模型搭配，做成兩階段檢索，是前人做推薦引擎時就發明的招式。

第一階段: 從上萬上億筆資料中，用 Embedding 向量相似性，搜尋出前數十名到數百筆
第二階段: 從數十到幾百筆資料中，用 Reranker 進行精細的相關性排序

閱讀全文

使用繁體中文評測各家 Embedding 模型的檢索能力

評估數據結果 google spreadsheets 傳送門 ↗️

在 RAG 系統中，將文字轉語意向量的 embedding 模型，是非常重要的關鍵檢索環節。
很多人在問繁體中文的 embedding 建議選哪一套，通常大家就推薦比較熟的 OpenAI embedding 模型。
但到底哪一套客觀評測比較好，在 HuggingFace 上雖然有個 MTEB 有 (簡體)中文評測，但幾乎都是中國模型霸榜，而且感覺用簡體中文評測不代表繁體中文。

於是我就想自己跑評測看看，週末花了時間，參考了 Llamaindex 針對 RAG 場景評測 Embedding 模型的方法(Boosting RAG: Picking the Best Embedding & Reranker models)，使用聯發科整理的 TCEval-v2 資料集中的台達閱讀理解資料集 drcd，其中有不重複文章段落共 1000 段，以及對應的 3493 個問題。

閱讀全文

愛好 AI Engineer 電子報 🚀 AI Engineer World’s Fair 大會 #14

歡迎訂閱愛好 Generative AI Engineer 電子報 aihao.eo.page/ai-engineer
過往期數點這

Hello! 你好 👋

我是 ihower，近期全球 AI 工程師最關心的事情，就是在舊金山的 AI Engineer World’s Fair 2024 大會啦 🎉🎉

這次大會有好幾軌，涉獵的主題包括 CodeGen, Open Models, RAG, Multimodality, GPUs, Evals, and Agents 等等。

目前釋出的直播錄影只有公開其中兩天兩軌，但長度也是約 8.5+8.5+3.5+4 約 24 小時的長度。
如何用最短時間，吸收這麼長的英文演講內容呢? 我跟 Claude 3.5 Sonnet 協作寫了個自動化程式，可將影片轉成不重複圖片搭配語音辨識字幕網頁，並加上中文翻譯。因為看文字的速度，比看影片還快。如果投影片看到有興趣的，旁邊就可以看到對應的逐字稿，不會有漏掉的內容，逐字跟現場畫面都有。

我陸續整理中的截圖和逐字稿都放在這裡，以下介紹幾場內容:

閱讀全文