概述
共同創辦人 Douwe Kiela 共同撰寫了 2020 年原始 RAG 論文;公司表示其平台結合了檢索與生成元件,用於公司文件。
深入探討
Contextual AI 於 2023 年由 Douwe Kiela 與 Amanpreet Singh 創立。Kiela 與 Patrick Lewis 及其他研究者共同撰寫了 2020 年原始 RAG 論文;該論文並非公司論文,Kiela 為共同作者而非列名的主要作者。公司提供具備抽取、檢索、重新排序與生成元件的受管 RAG 平台。Contextual AI 表示會一起微調這些元件,但準確度與效能取決於語料庫與任務,需在評估中測量。公司將其基於實證的語言模型(GLM)描述為訓練於根據檢索到的段落提供答案,且在缺乏證據時表達不確定性。這是訓練目標,並非每個答案的保證。引用可以協助使用者檢視來源段落,但僅憑引用本身無法確保符合監管要求。
現實世界的實施
銀行分析師在內部研究報告與申報文件中提出問題,然後檢視相關來源段落的連結。
一家工程公司搜尋數十年的設備手冊和維護日誌來診斷機器故障,而無需閱讀每個 PDF。
保險團隊檢查數百種合約變體的保單措辭,以確認特定索賠是否得到承保。
一個製藥團隊使用符合其資料治理需求的控制條件來檢索臨床試驗方案和監管提交文件。
情境 AI 企業 RAG 的未來
Enterprise RAG 可以將文件檢索與結構化資料和多步驟代理工作流程結合。來源參考和評估日誌可能支援審查和審計,但僅有引用並不能滿足監管要求;團隊必須評估資料存取、保留、保安以及其部署所適用的義務。性能取決於語料庫、查詢組合、檢索設定、模型和評估方法,因此變更應在代表性任務上進行測量。
付諸實踐
為什麼這很重要
- 供應商策略. 供應商路線圖會影響您的團隊接下來可以建立的功能。
- 成本與預算. 商業條款和部署選項會影響長期成本和風險。
- 風險與安全. 公司激勵措施塑造了產品預設、安全態勢和開放性。
留意
- 發佈公告可能會超過實際生產工作流程的穩定性。
- API 定價或政策轉變可能會在一夜之間打破假設。
- 單一供應商依賴性增加了鎖定和遷移成本。
後續步驟
- 使用您自己的任務和資料集評估提供者。
- 在整合之前查看隱私、安全和法律條款。
- 維護跨模型或供應商的後備計劃。
- 監控發行說明,以便路線圖的變更不會讓團隊感到意外。
不斷探索
常見問題
什麼是情境 AI 企業 RAG?
Contextual AI 為企業知識工作構建檢索增強生成(RAG)系統。共同創辦人 Douwe Kiela 共同撰寫了原始的 2020 年 RAG 論文;公司表示其平台結合了檢索與生成元件,用於公司文件。
縮寫 RAG 代表什麼?
RAG 代表檢索增強生成,其中模型在生成答案之前檢索相關文件。
Contextual AI 共同創辦人 Douwe Kiela 與原始 2020 年 RAG 論文有什麼關聯?
原始 RAG 論文將 Douwe Kiela 列為共同作者。Contextual AI 另一位共同創辦人 Amanpreet Singh 並未出現在該論文的作者名單中。
Contextual AI 的基礎語言模型的訓練目標是什麼?
Contextual AI 將 grounding(落實)與 uncertainty(不確定性)描述為其 GLM 的訓練目標;此行為並非每次回應都保證,必須在目標語料上進行評估。
重新排序步驟在 RAG 管道中扮演什麼角色?
重新排序會對最初檢索的區塊進行重新排序,以便最相關的段落到達生成器。
與固定在向量資料庫上的通用聊天機器人相比,情境人工智慧有什麼優勢?
Contextual AI 表示它將抽取、檢索、重新排序與生成調校為同一平台。這是公司描述的設計目標;結果取決於工作負載,需進行測試。