TorchV的RAG实践分享(二):基于ElasticSearch的混合检索实战&原理分析
概述在昨天员外分享的《TorchV的RAG实践分享(1)——RAG的定位、技术选型和RAG技术文章目录》一文
阅读全文 :TorchV的RAG实践分享(二):基于ElasticSearch的混合检索实战&原理分析
TorchV创始人,TorchV——为商业注入AI力量!主要业务:大模型应用(Saasor本地化)和中间件�
概述在昨天员外分享的《TorchV的RAG实践分享(1)——RAG的定位、技术选型和RAG技术文章目录》一文
阅读全文 :TorchV的RAG实践分享(二):基于ElasticSearch的混合检索实战&原理分析给大家整理了原创的完整RAG技术文章目录,enjoy!
阅读全文 :TorchV的RAG实践分享(1)——RAG的定位、技术选型和RAG技术文章目录昨晚和小明在讨论elasticsearch的检索,整整写了三黑板。讨论的最终结果是在针对不同的客户(租户)都分别拉出五个参数,便于在面对不同客户场景时可以将检索准确度做到最佳。
阅读全文 :使用5个参数控制不同场景中RAG检索的准确度【含一篇译文】O 'Reilly的调查好文,翻译转发分享给大家。本文的主要内容:1.企业是如何使用生成式AI的?2.在使用中遇到了哪些瓶颈?3.企业希望生成式AI可以解决哪些缺陷和差距?
阅读全文 :生成式AI的企业应用调研报告——大家如何用?瓶颈在哪里?用弹子球机来展示大语言模型的一些内部原理:如何去调整参数,以达到我们想要的模型输出效果,包括参数、Loss函数和梯度下降等
阅读全文 :用弹子球机讲述LLM原理——如何用损失函数、梯度下降做训练和微调本文主要内容: 为什么一般情况下RAG的检索相关性存在问题? Rerank为什么可以解决这个问题? 几种常用Rerank组合评测; 如何在自己的产品中使用Rerank?
阅读全文 :Rerank——RAG中百尺竿头更进一步的神器,从原理到解决方案1.四个模型:ChatGLM2-6B、ChatGLM3-6B、Baichuan2-13B和ChatGPT-3.5一起评测 2.针对实体提取、逻辑计算、英文翻译、归纳、计数、SQL生成和生成代码展示分析图表来进行评测
阅读全文 :全新ChatGLM3-6B针对七项RAG能力的评测,谁最适合RAG?本文主要内容:近期关于RAG的一些行业交流,RAG过度依赖ChatGPT好吗?RAG存在的一些问题5个改善方法。
阅读全文 :RAG行业交流中发现的一些问题和改进方法AI产品力石小知的0-1 市场、推广对于产品最终成功的重要性 我自己总结的“产品-市场对角线”理论和实践
阅读全文 :一款AI产品的成长之路——“产品-市场对角线”的实践前面刚测试了Baichuan2-13B的本地化模型能力,今天来看看新的大模型Zephyr,听说对RAG是比较友好的,是真的吗?
阅读全文 :新开源大模型Zephyr介绍,对RAG应用比较友好?本文主要内容: LlamaIndex简介 什么是索引(Index) 普通索引、向量索引、树索引和关键词索引的介绍
阅读全文 :RAG框架LlamaIndex——各种索引和它们的优缺点分析RAG应用私有化部署时LLM的选择标准; 多个开源可商用大模型试用; Baichuan2-13B手工量化成8bits版本。
阅读全文 :实战!私有化部署RAG,选ChatGLM2-6B还是Baichuan2-13B?观点有一些启发。 主要内容: RAG-Fusion机制的介绍 多查询生成 倒数排序融合
阅读全文 :使用RAG-Fusion和RRF让RAG在意图搜索方面更进一步讲述从PDF中将表格、图像和纯文本提取出文本信息的完整过程: PDF分类:文本型、OCR和扫描型 不同类型的PDF,我们提取的理论依据 环境安装 编写提取纯文本的函数 编写提取图像中文本的函数 编写提取表格的文本内容的函数 最后的整合处理
阅读全文 :完全指南——使用python提取PDF中的文本信息(包括表格和图片OCR)1.为什么目前的市场对独立开发者越来越友好?从三个方面分析:价值导向、付费渠道和AI赋能。 2.独立开发者需要注意哪些事项?5点。
阅读全文 :进击吧!硬地骇客——独立开发者团队正当时