獨家 | 使用檢索增強生成技術(shù)構(gòu)建特定行業(yè)的 LLM

企業(yè)正在競相采用大型語言模型（也可以被稱為LLM）。讓我們深入了解如何通過RAG（檢索增強生成技術(shù)） 構(gòu)建特定行業(yè)的大型語言模型。

公司可以通過使用像ChatGPT 這樣的大語言明星提高生產(chǎn)力。但是試著問 ChatGPT "美國目前的通貨膨脹率是多少"，它會給出答案：

很抱歉造成您的困惑，作為一個人工智能語言模型，我不具備實時數(shù)據(jù)的瀏覽能力。我的回答是基于截至 2021 年 9 月的信息。因此，我無法為您提供美國當(dāng)前的通貨膨脹率。

這是一個問題。ChatGPT顯然缺少及時相關(guān)的背景信息，而這對于做出明智的決策至關(guān)重要。

在微軟 Build 會議 "矢量搜索還不夠"（Vector Search Isn't Enough）中，他們介紹了自己的產(chǎn)品，該產(chǎn)品將上下文感知較弱的LLM 與矢量搜索結(jié)合起來，以創(chuàng)造更有吸引力的體驗。

演講的出發(fā)點與本文相反—他們從彈性搜索（或矢量搜索）的角度出發(fā)，認(rèn)為搜索本身是有限的，而添加LLM 層可以極大地改善搜索體驗。

其基本想法是，在LLM 中添加相關(guān)上下文可以極大地改善用戶體驗，尤其是在大多數(shù)商業(yè)案例中，因為LLM 并沒有見過此類數(shù)據(jù)。當(dāng)您擁有海量數(shù)據(jù)，包括 100 多份（或更多）文檔時， 矢量搜索有助于選擇相關(guān)上下文。

矢量搜索101 | Skanda Vivek

矢量化是將數(shù)據(jù)轉(zhuǎn)換成多維向量。在上面的案例中，您可以看到2個維度：尺寸和類型。尺寸有 2 種（小或大），類型有 2 個種（樹或動物）。這只是一個概念性的例子，當(dāng)然矢量化也可以擴展到數(shù)百個維度（或更多值）。

句子的矢量搜索101 | Skanda Vivek

您也可以用單詞或句子代替圖片來做同樣的事情。請注意，在上述示例中，矢量化能夠捕捉語義表征，即它知道關(guān)于一只鳥俯沖向一只花栗鼠寶寶的句子應(yīng)該位于（小鼠，動物）象限，而關(guān)于昨天暴風(fēng)雨時一棵大樹倒在路上的句子應(yīng)該位于（大，樹）象限。實際上，嵌入的維度不止 2 個--而是384個（句子或文本塊通過BERT 變換器，輸出 384個與384維相對應(yīng)的數(shù)字）

矢量搜索現(xiàn)在在所有的搜索中都很普遍（谷歌、必應(yīng)，以及您最喜歡的搜索引擎）。想一想，如果您的整個搜索數(shù)據(jù)庫中只有這4 個文檔，您可以問這樣一個問題："請告訴我關(guān)于一棵大樹的事情。您可以問這樣一個問題："請告訴我關(guān)于一棵大樹的事情"。

那么輸出為：

在昨天的暴風(fēng)雨中，一棵大樹倒在路上。

只是數(shù)據(jù)庫中最相關(guān)的文檔。但如果您向LLM提出同樣的問題（并在最后添加 4 個 "文檔"），您將得到以下結(jié)果：

（本例中為ChatGPT）：

大樹通常是一種高聳的大型植物，具有粗壯的樹干、樹枝和廣泛的根系網(wǎng)絡(luò)。這些樹木可以達(dá)到令人印象深刻的高度， 通常遠(yuǎn)遠(yuǎn)高于周圍的植被。它們是許多生態(tài)系統(tǒng)的重要組成部分，為各種生物提供樹蔭、庇護(hù)所和食物。

您提到的暴風(fēng)雨中大樹倒在路上的事件表明了惡劣天氣條件的威力和影響。強風(fēng)暴雨會將樹木連根拔起或折斷，導(dǎo)致道路堵塞，給車輛和行人帶來潛在危險。

在您提到的另一種情況下，當(dāng)您在班迪布爾（Bandipur） 的公路上行駛時，遇到一頭大象橫穿馬路。班迪普爾是位于印度的一個國家公園和野生動物保護(hù)區(qū)，以其豐富的生物多樣性和多樣的動物而聞名。大象是班迪普爾的主要物種之一，它們經(jīng)常穿越該地區(qū)，有時還會橫穿馬路。這樣的邂逅凸顯了野生動物保護(hù)的重要性，以及人類在自然棲息地與動物共存的必要性。

說到盆景，它們是生長在小盆中的微型樹木，經(jīng)過精心造型和修剪以保持其小巧的體型。盆景栽培是一種古老的藝術(shù)形式，起源于東亞，現(xiàn)已風(fēng)靡全球。由于根部空間有限，盆景景樹要定期澆水以防止干枯。小盆會導(dǎo)致土壤迅速干燥，因此監(jiān)測濕度并相應(yīng)地澆水至關(guān)重要。

最后，您提到透過窗戶觀察到一只鳥俯沖一只小花栗鼠。這種觀察反映了大自然的一個行動瞬間，一只鳥可能正在覓食。眾所周知，猛禽和某些鳥類（如鷹或貓頭鷹）會俯沖花栗鼠等小型哺乳動物，這是它們自然狩獵行為的一部分。目睹這種互動令人著迷，因為它們能讓我們對動物王國的活力有更深的了解。

總之，這些自然片段--無論是涉及大樹、大象、盆景樹還是鳥類捕食--都突出了我們周圍自然世界的多樣性和奇妙性。

這個答案似乎更加全面。ChatGPT使用的是在數(shù)萬億文檔中訓(xùn)練出來的內(nèi)部知識，并結(jié)合了所給的上下文。

但是，假設(shè)您有不止4個文檔--也許是成千上萬個，您無法在ChatGPT 提示中找到。在這種情況下，您可以使用矢量搜索來縮小最有可能包含答案的上下文范圍，并將其附加到提示中， 然后提出如下相同的問題：

這是它現(xiàn)在給出的（截斷的）答案：

ChatGPT answer | Skanda Vivek

您可以有一個數(shù)據(jù)庫，存儲文檔和嵌入。另一個數(shù)據(jù)庫存儲查詢，并根據(jù)查詢找到最相關(guān)的文檔：

Document DB (左)和 Quey DB (右) | Skanda Vivek

一旦您通過查詢獲得了最相似的文檔，您就可以將其輸入到任何LLM，如ChatGPT。通過這個簡單的技巧，您就利用文檔檢索增強了您的 LLM！這也被稱為檢索增強生成（RAG）。

RAG原型 | Skanda Vivek

上圖概述了如何構(gòu)建一個基本的RAG，利用自定義文檔的LLM進(jìn)行問題解答。第一部分是將多個文檔分割成易于管理的塊，相關(guān)參數(shù)是最大分塊長度。這些塊應(yīng)該是包含典型問題答案的典型（最?。┪谋敬笮?。這是因為有時您提出的問題可能在文檔的多個位置都有答案。例如，您可能會問"X 公司從2015 年到 2020 年的業(yè)績?nèi)绾?？而您可能有一個大型文檔（或多個文檔），在文檔的不同部分包含了公司多年來業(yè)績的具體信息。在理想情況下，您希望捕獲包含這些信息的文檔的所有不同部分，將它們連接在一起，并根據(jù)這些經(jīng)過過濾和連接的文檔塊傳遞給 LLM 進(jìn)行回答。

最大上下文長度基本上是將各種語塊連接在一起的最大長度--為問題本身和輸出答案留出一些空間（請記住，像 ChatGPT 這樣的 LLM 有嚴(yán)格的長度限制，包括所有內(nèi)容：問題、上下文和答案。

相似度閾值是將問題與文檔塊進(jìn)行比較的方法，以找到最有可能包含答案的頂級文檔塊。余弦函數(shù)是典型的度量方法，但您可能希望使用不同的度量方法。例如，包含關(guān)鍵詞的上下文的權(quán)重更高。例如，當(dāng)您向LLM 提出總結(jié)文檔的問題時，您可能希望對包含 "摘要 "或 "總結(jié) "字樣的上下文進(jìn)行加權(quán)。

如果您想通過一種簡單的方式測試自定義文檔上的生成式問答，請查看我的API (https://rapidapi.com/skandavivek/api/chatgpt-powered-question-answering-over-documents)和在后臺使用 ChatGPT 的代碼(https://github.com/skandavivek/web-qa)。

讓我們通過一個例子來說明RAG的作用。EMAlpha 是一家調(diào)研新興市場的公司--基本上是印度、中國、巴西等新興國家的經(jīng)濟(jì)（完全披露--我是 EMAlpha 的顧問）。該公司正在開發(fā)一個由 ChatGPT 支持的app，根據(jù)用戶輸入生成對新興經(jīng)濟(jì)體的觀點。儀表盤看起來像這樣--你可以比較 ChatGPT 和RAG 版ChatGPT（EM-GPT）的輸出，后者能夠在后臺查詢國際貨幣基金組織（IMF）的金融文件：

EMAlpha中的EM-GPT 從|斯坎達(dá)-維韋克

以下是ChatGPT 對 "尼泊爾每年的 GDP 是多少？"這個問題的回答：

ChatGPT回答| Skanda Vivek

ChatGPT 只返回 2019 年之前的 GDP，它說如果您想了解更多信息，請訪問 IMF。但是，如果您想知道這些數(shù)據(jù)在IMF 網(wǎng)站的什么位置，那就很難了，您需要對網(wǎng)站上的文件存儲位置有所了解。經(jīng)過一番搜索，您會發(fā)現(xiàn)文件就在這里。即便如此，要想知道 GDP 信息到底在哪里，也需要進(jìn)行大量的滾動。

國際貨幣基金組織關(guān)于尼泊爾經(jīng)濟(jì)的文件| Skanda Vivek

你可以看到，找到這些數(shù)據(jù)是很難的。但是，當(dāng)您向 EM-GPT 提出同樣的問題時，它會追蹤相關(guān)上下文，并找到如下答案：

EM-GPT答案 | Skanda Vivek

下面是發(fā)送給ChatGPT 回答這個問題的確切提示。令人印象深刻的是，它能夠理解這些格式化的文本，提取正確的信息，并將其格式化為人類可讀的格式！

使用基于查詢的上下文進(jìn)行聊天GPT 提示 | Skanda Vivek

我花了半個小時才在IMF網(wǎng)站上找到這些信息，而 RAG 修改后的 ChatGPT 只花了幾秒鐘。僅靠矢量搜索是不行的，因為它最多只能找到 "名義 GDP"這個詞，而不能將數(shù)字與年份聯(lián)系起來。ChatGPT 已經(jīng)在過去的多個此類文檔中接受過訓(xùn)練，因此一旦添加了相關(guān)上下文，它就知道文本的哪些部分包含答案，以及如何將答案格式化為可讀的格式。

RAG提供了一種在自定義文檔中使用LLM 的好方法。微軟、谷歌和亞馬遜等公司都在競相開發(fā)企業(yè)可以”即插即用“的應(yīng)用程序。然而，該領(lǐng)域仍處于起步階段，在自定義文檔上使用矢量搜索驅(qū)動的 LLM 的特定行業(yè)應(yīng)用程序可以成為先行者，并在競爭中脫穎而出。

當(dāng)有人問我應(yīng)該使用哪種LLM，以及是否要對自定義文檔進(jìn)行微調(diào)或完全訓(xùn)練模型，他們低估了LLM 和矢量搜索之間的同步工程的作用。以下是一些可以顯著提高或降低響應(yīng)質(zhì)量的注意事項：

1. 文檔塊的長度。如果正確答案更有可能包含在文本的不同部分，并且需要拼接在一起，則應(yīng)將文檔分割成較小的塊，以便在查詢時附加多個上下文。

2. 相似性和檢索度量。有時，單純的余弦相似性是不夠的。例如，如果許多文檔包含關(guān)于同一主題的相互矛盾的信息，您可能希望根據(jù)這些文檔中的元數(shù)據(jù)將搜索限制在某些文檔上。因此，除了相似度之外，您還可以使用其他過濾指標(biāo)。

3. 模型結(jié)構(gòu)。我所展示的架構(gòu)只是一個原型。為了提高效率和可擴展性，必須考慮各個方面，包括矢量嵌入模型、文檔數(shù)據(jù)庫、提示、LLM 模型選擇等。

4. 避免幻覺。您可能已經(jīng)注意到我上面展示的例子幾乎是正確的。增強的 ChatGPT 得到了尼泊爾GDP 的正確數(shù)字--但是年份錯了。在這種情況下，需要在選擇提示、以更好的格式提取數(shù)據(jù)、評估出現(xiàn)幻覺的案例比例以及有效的解決方案之間進(jìn)行大量的反饋。

現(xiàn)在，您已經(jīng)知道如何將LLM應(yīng)用到您的自定義數(shù)據(jù)中，去構(gòu)建基于 LLM 的超棒產(chǎn)品吧！

原文標(biāo)題：Pandas 2.0: A Game-Changer for Data Scientists?

原文鏈接：Build Industry-Specific LLMs Using Retrieval Augmented Generation | by Skanda Vivek | May, 2023 | Towards Data Science