Mesurer et Améliorer la Fiabilité des LLMs dans RAG à travers des Attributions Fondées et l'Apprentissage du Refus

Measuring and Enhancing Trustworthiness of LLMs in RAG through Grounded Attributions and Learning to Refuse

September 17, 2024

Auteurs: Maojia Song, Shang Hong Sim, Rishabh Bhardwaj, Hai Leong Chieu, Navonil Majumder, Soujanya Poria

cs.AI

Résumé

Les LLM sont une partie intégrante des systèmes de génération augmentée par récupération (RAG). Alors que de nombreuses études se concentrent sur l'évaluation de la qualité des systèmes RAG de bout en bout, il existe un manque de recherche sur la compréhension de l'adéquation d'un LLM pour la tâche RAG. Ainsi, nous introduisons une nouvelle métrique, le Trust-Score, qui fournit une évaluation holistique de la fiabilité des LLM dans un cadre RAG. Nous montrons que diverses méthodes de mise en contexte, telles que l'apprentissage en contexte, échouent à adapter efficacement les LLM à la tâche RAG. Par conséquent, nous proposons Trust-Align, un cadre pour aligner les LLM en vue d'un Trust-Score plus élevé. LLaMA-3-8b, aligné avec notre méthode, surpasse significativement les LLM open-source de tailles comparables sur ASQA (jusqu'à 10,7), QAMPARI (jusqu'à 29,2) et ELI5 (jusqu'à 14,9). Nous rendons notre code disponible sur : https://github.com/declare-lab/trust-align.

English

LLMs are an integral part of retrieval-augmented generation (RAG) systems. While many studies focus on evaluating the quality of end-to-end RAG systems, there is a lack of research on understanding the appropriateness of an LLM for the RAG task. Thus, we introduce a new metric, Trust-Score, that provides a holistic evaluation of the trustworthiness of LLMs in an RAG framework. We show that various prompting methods, such as in-context learning, fail to adapt LLMs effectively to the RAG task. Thus, we propose Trust-Align, a framework to align LLMs for higher Trust-Score. LLaMA-3-8b, aligned with our method, significantly outperforms open-source LLMs of comparable sizes on ASQA (up 10.7), QAMPARI (up 29.2) and ELI5 (up 14.9). We release our code at: https://github.com/declare-lab/trust-align.