RAG Foundry: Ein Rahmenwerk zur Verbesserung von LLMs für abrufgesteuerte Generierung

RAG Foundry: A Framework for Enhancing LLMs for Retrieval Augmented Generation

August 5, 2024

Autoren: Daniel Fleischer, Moshe Berchansky, Moshe Wasserblat, Peter Izsak

cs.AI

Zusammenfassung

Die Implementierung von Retrieval-Augmented Generation (RAG)-Systemen ist grundsätzlich komplex und erfordert ein tiefes Verständnis von Daten, Anwendungsfällen und komplexen Designentscheidungen. Darüber hinaus stellt die Bewertung dieser Systeme bedeutende Herausforderungen dar, die eine Bewertung sowohl der Abrufgenauigkeit als auch der generativen Qualität durch einen vielschichtigen Ansatz erfordern. Wir stellen RAG Foundry vor, ein Open-Source-Framework zur Erweiterung großer Sprachmodelle für RAG-Anwendungsfälle. RAG Foundry integriert die Erstellung von Daten, das Training, die Inferenz und die Bewertung in einen einzigen Workflow, der die Erstellung von datengestützten Datensätzen für das Training und die Bewertung großer Sprachmodelle in RAG-Umgebungen erleichtert. Diese Integration ermöglicht schnelles Prototyping und Experimentieren mit verschiedenen RAG-Techniken, wodurch Benutzer leicht Datensätze generieren und RAG-Modelle unter Verwendung interner oder spezialisierter Wissensquellen trainieren können. Wir demonstrieren die Wirksamkeit des Frameworks durch die Erweiterung und Feinabstimmung von Llama-3- und Phi-3-Modellen mit vielfältigen RAG-Konfigurationen und zeigen konsistente Verbesserungen über drei wissensintensive Datensätze hinweg. Der Code wird als Open-Source unter https://github.com/IntelLabs/RAGFoundry veröffentlicht.

English

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.