Литейный завод RAG: Фреймворк для улучшения LLM для увеличения поиска и генерации

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

August 5, 2024

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

cs.AI

Аннотация

Внедрение систем с усиленным поиском и генерацией (RAG) является по своей сути сложным процессом, требующим глубокого понимания данных, сценариев использования и тонких проектных решений. Кроме того, оценка этих систем представляет существенные вызовы, требуя оценки как точности поиска, так и качества генерации через многофакторный подход. Мы представляем RAG Foundry, открытую платформу для расширения крупных языковых моделей для сценариев использования RAG. RAG Foundry интегрирует создание данных, обучение, вывод и оценку в единый рабочий процесс, облегчая создание данных-расширенных наборов для обучения и оценки крупных языковых моделей в средах RAG. Эта интеграция позволяет быстро создавать прототипы и экспериментировать с различными техниками RAG, позволяя пользователям легко генерировать наборы данных и обучать модели RAG с использованием внутренних или специализированных источников знаний. Мы демонстрируем эффективность платформы, расширяя и настраивая модели Llama-3 и Phi-3 с различными конфигурациями RAG, показывая последовательные улучшения на трех знаниевых наборах данных. Код выпущен в открытый доступ на 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.