RAG Foundry: Um Framework para Aprimorar LLMs para Geração com Recuperação Aprimorada

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

August 5, 2024

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

cs.AI

Resumo

Implementar sistemas de Geração com Recuperação Aprimorada (RAG) é inerentemente complexo, exigindo profundo entendimento de dados, casos de uso e decisões de design intricadas. Além disso, avaliar esses sistemas apresenta desafios significativos, exigindo a avaliação tanto da precisão da recuperação quanto da qualidade generativa por meio de uma abordagem multifacetada. Apresentamos o RAG Foundry, um framework de código aberto para aprimorar grandes modelos de linguagem para casos de uso de RAG. O RAG Foundry integra a criação de dados, treinamento, inferência e avaliação em um único fluxo de trabalho, facilitando a criação de conjuntos de dados aumentados por dados para treinar e avaliar grandes modelos de linguagem em ambientes de RAG. Essa integração permite prototipagem rápida e experimentação com várias técnicas de RAG, permitindo que os usuários gerem facilmente conjuntos de dados e treinem modelos RAG usando fontes de conhecimento internas ou especializadas. Demonstramos a eficácia do framework ao aprimorar e ajustar os modelos Llama-3 e Phi-3 com diversas configurações de RAG, mostrando melhorias consistentes em três conjuntos de dados intensivos em conhecimento. O código é disponibilizado como código aberto em 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.