RAG Foundry : Un cadre pour améliorer les modèles de langage pour la génération augmentée par récupération

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

August 5, 2024

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

cs.AI

Résumé

La mise en œuvre de systèmes de Génération Augmentée par Récupération (RAG) est intrinsèquement complexe, nécessitant une compréhension approfondie des données, des cas d'utilisation et des décisions de conception complexes. De plus, l'évaluation de ces systèmes présente des défis significatifs, exigeant une évaluation à la fois de la précision de la récupération et de la qualité générative à travers une approche multidimensionnelle. Nous présentons RAG Foundry, un framework open-source conçu pour augmenter les modèles de langage de grande taille dans des cas d'utilisation RAG. RAG Foundry intègre la création de données, l'entraînement, l'inférence et l'évaluation dans un seul flux de travail, facilitant la création de jeux de données augmentés pour l'entraînement et l'évaluation de modèles de langage de grande taille dans des contextes RAG. Cette intégration permet un prototypage rapide et l'expérimentation de diverses techniques RAG, permettant aux utilisateurs de générer facilement des jeux de données et d'entraîner des modèles RAG en utilisant des sources de connaissances internes ou spécialisées. Nous démontrons l'efficacité du framework en augmentant et en affinant les modèles Llama-3 et Phi-3 avec diverses configurations RAG, montrant des améliorations constantes sur trois jeux de données intensifs en connaissances. Le code est publié en open-source sur https://github.com/IntelLabs/RAGFoundry.

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.