ترجمه فارسی مقاله RAG Foundry: چارچوبی برای بهبود LLMها برای بازیابی نسل افزوده

چکیده

Implementing Retrieval-Augmented Generation (RAG) systems is inherently complex, requiring deep understanding of data, use cases, and intricate design decisions. Additionally, evaluating these systems presents significant challenges, necessitating assessment of both retrieval accuracy and generative quality through a multi-faceted approach. We introduce RAG Foundry, an open-source framework for augmenting large language models for RAG use cases. RAG Foundry integrates data creation, training, inference and evaluation into a single workflow, facilitating the creation of data-augmented datasets for training and evaluating large language models in RAG settings. This integration enables rapid prototyping and experimentation with various RAG techniques, allowing users to easily generate datasets and train RAG models using internal or specialized knowledge sources. We demonstrate the framework effectiveness by augmenting and fine-tuning Llama-3 and Phi-3 models with diverse RAG configurations, showcasing consistent improvements across three knowledge-intensive datasets. Code is released as open-source in https://github.com/IntelLabs/RAGFoundry.

چکیده به فارسی (ترجمه ماشینی)

اجرای سیستم های تولیدی بازیابی (RAG) ذاتاً پیچیده است و نیاز به درک عمیق از داده ها ، موارد استفاده و تصمیمات طراحی پیچیده دارد.علاوه بر این ، ارزیابی این سیستم ها چالش های قابل توجهی را ارائه می دهد ، و نیاز به ارزیابی هم از دقت بازیابی و هم کیفیت تولیدی از طریق یک رویکرد چند وجهی دارد.ما Rag Foundry را معرفی می کنیم ، یک چارچوب منبع باز برای تقویت مدل های بزرگ زبان برای موارد استفاده از RAG.RAG Foundry باعث ایجاد داده ها ، آموزش ، استنباط و ارزیابی در یک گردش کار واحد می شود و باعث ایجاد مجموعه داده های داده شده برای آموزش و ارزیابی مدل های بزرگ زبان در تنظیمات RAG می شود.این ادغام امکان نمونه سازی سریع و آزمایش با تکنیک های مختلف RAG را فراهم می کند و به کاربران امکان می دهد تا به راحتی مجموعه داده ها را تولید کنند و مدل های RAG را با استفاده از منابع دانش داخلی یا تخصصی آموزش دهند.ما اثربخشی چارچوب را با تقویت و تنظیم دقیق مدل های LLAMA-3 و PHI-3 با تنظیمات متنوع RAG نشان می دهیم ، و پیشرفت های مداوم را در سه مجموعه داده فشرده دانش نشان می دهد.کد به عنوان منبع باز در https://github.com/intellabs/ragfoundry منتشر می شود.