Technický PRŮVODCE

Multimodální RAG

Multimodální RAG je generace rozšířená o načítání, která dokáže vyhledávat a používat obrázky, grafy, tabulky a naskenované stránky, nikoli pouze kusy prostého textu.

Poslechněte si tento návodAI-vyprávěný · ~3 min

Na této stránce3 min čtení
  1. Přehled
  2. Hluboký ponor
  3. Real-World Implementace
  4. Budoucnost multimodálních RAG
  5. Uvedení do praxe
  6. Pokračujte v objevování
  7. Často kladené otázky

Přehled

Funguje to tak, že se vizuální obsah popíše do textu, obrázky a text se vloží do sdíleného prostoru nebo se načítají snímky obrazovky celé stránky s modely vidění. Je to důležité, protože mnoho znalostí z reálného světa je uloženo v souborech PDF, diapozitivech a diagramech, které pouze textové kanály zkomolí nebo ignorují.

Hluboký ponor

Mnoho organizačních znalostí není čistá próza. Uvnitř souborů PDF to žije v balících diapozitivů, naskenovaných smlouvách, technických výkresech, finančních tabulkách a grafech. Potrubí obsahující pouze text obvykle spouští OCR nebo analyzátor PDF, zahodí rozvržení a rozdělí výstup. Tabulky se stanou neuspořádanými řádky, hodnoty grafu zmizí a diagram nepřispěje vůbec ničím. Multimodální RAG umožňuje získat vizuální informace. Existují tři široké přístupy. První převede vše na text: extrahuje tabulky do formátu Markdown nebo HTML, použije model vizuálního jazyka k psaní popisů obrázků a grafů a indexuje ty s běžným vložením textu. Je to jednoduché a hodí se k existující infrastruktuře, ale cokoli, co tvůrce přehlédne, je ztraceno. Druhý vkládá obrázky a text do sdíleného vektorového prostoru, jak to dělají modely ve stylu CLIP, takže textový dotaz může přímo načíst fotografii nebo obrázek. To vyhovuje sbírkám náročným na obrázky, jako jsou katalogy produktů, ale obecné vkládání obrázků je slabé při čtení hustého textu uvnitř dokumentů. Třetí považuje každou stránku za snímek obrazovky. ColPali, publikovaný v roce 2024, vkládá obrázky stránek s modelem vize jazyka a hodnotí je proti dotazům pomocí pozdní interakce, přičemž porovnává mnoho vektorů dotazových tokenů s mnoha vektory oprav obrázků ve stylu ColBERT. Úplně vynechává OCR a analýzu rozvržení a ve srovnání s ním zavedeným benchmarkem pro vyhledávání dokumentů ViDoRe si vedl velmi dobře. Vyzvednutí je jen polovina práce. Generátor musí také vidět obsah, takže odpovědi obvykle pocházejí od modelu schopného vidění vzhledem k obrázku stránky nebo oříznuté postavě, nikoli pouze titulku. Obvyklá mylná představa je, že multimodální RAG znamená opuštění textových kanálů. V praxi jsou běžné hybridní systémy, které kombinují analyzovaný text, extrakci tabulek a načítání obrazu stránky, protože každá metoda zachycuje selhání ostatních.

Real-World Implementace

Asistent údržby výrobce načte schéma rozložených dílů pro model čerpadla a ukáže jej modelu schopnému vidění, který identifikuje správné těsnění ze štítků na výkresu.

Finanční analytik se zeptá na čtvrtletní výnosy podle segmentů a systém načte obrázek stránky obsahující sloupcový graf místo toho, aby se spoléhal na text OCR, který vypustil hodnoty grafu.

Maloobchodník umožňuje nakupujícím vyhledávat v katalogu pomocí textového dotazu, jako je „zelená keramická stolní lampa“, a pomocí sdílených vložených obrázků a textu vrátí odpovídající fotografie produktů.

Spisovna indexuje desítky let naskenované formuláře jako snímky stránek, takže úředníci mohou najít dokumenty, jejichž nekvalitní skenování vytváří nespolehlivý text OCR.

Budoucnost multimodálních RAG

Modely v jazyce vidění se neustále zlepšují v přímém čtení dokumentů, což posiluje možnosti načítání obrázků stránek a přeskakování křehkých kroků analýzy. Náklady na vícevektorové úložiště zůstávají praktickou překážkou a vektorové databáze přidávají podporu pro vyhledávání s pozdní interakcí, aby je řešily. Vyhledávání videa a zvuku používá podobné myšlenky, jako jednotky vyhledávání používá snímky nebo přepisy, ale nástroje jsou méně vyspělé. Hodnocení také zaostává text RAG; veřejné benchmarky, jako je ViDoRe, pomáhají, ale organizace budou stále potřebovat testovací sady sestavené z jejich vlastních naskenovaných formulářů, grafů a diapozitivů, aby věděly, který přístup jim vyhovuje.

Uvedení do praxe

Proč na tom záleží

  • Cena a rozpočet. Rozhodnutí o architektuře zvyšují výkon a provozní náklady po mnoho let.
  • Jasnější rozhodnutí. Technické vzdělání pomáhá týmům vybrat ten správný stack, nejen ten nejnovější.
  • Kontrola kvality. Lepší konstrukční volby snižují výskyt problémů se spolehlivostí ve výrobě.

Pozor na

  • Optimalizace jednoho benchmarku může skrýt širší systémové slabiny.
  • Náklady na infrastrukturu a údržbu jsou často podceňovány.
  • Mezery v zabezpečení a pozorovatelnosti se mohou zvětšovat, jak se systémy stávají složitějšími.

Další kroky

  1. Před implementací definujte cíle latence, kvality a nákladů.
  2. Benchmark za realistických podmínek zatížení a dat.
  3. Monitorování chyb, posunu a dopadu na uživatele.
  4. Před škálováním připravte cesty vrácení zpět a reakce na incidenty.

Pokračujte v objevování

Newsletter zdarma

Získejte denní přehled o AI

Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.

Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.

Otestujte se

Take the Multimodal RAG quiz

Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.

Spustit kvíz

Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte

Často kladené otázky

Co je multimodální RAG?

Multimodální RAG je generace rozšířená o načítání, která dokáže vyhledávat a používat obrázky, grafy, tabulky a naskenované stránky, nikoli pouze kusy prostého textu. Funguje to tak, že se vizuální obsah popíše do textu, obrázky a text se vloží do sdíleného prostoru nebo se načítají snímky obrazovky celé stránky s modely vidění. Je to důležité, protože mnoho znalostí z reálného světa je uloženo v souborech PDF, diapozitivech a diagramech, které pouze textové kanály zkomolí nebo ignorují.

Co se obvykle pokazí, když pouze textový kanál RAG zpracovává PDF plný tabulek a grafů?

Analýza na prostý text zahodí rozvržení, takže struktura tabulky se naruší a vizuální informace zmizí.

Jaká je hlavní slabina přístupu titulků-všechno-do textu?

Vyhledáváním lze najít pouze to, co vygenerovaný popis obsahuje; vynechané detaily jsou neviditelné.

Co umožňují modely ve stylu CLIP v multimodálním RAG?

Sdílený prostor znamená, že vektor textového dotazu lze přímo porovnat s vektory obrázků.

Co je na přístupu ColPali charakteristické?

ColPali zachází se samotným obrázkem stránky jako s jednotkou pro vyhledávání, přičemž se zcela vyhýbá kroku analýzy.

Jak se při pozdní interakci hodnotí dotaz na stránce?

Pozdní interakce zachovává více vektorů na obou stranách a agreguje nejlepší shody, jako to dělá ColBERT pro text.