虽然大规模语言模型(LLM)在自然语言处理(NLP)方面表现出了其强大的文本生成和理解能力,但是它们在实际应用中仍然面临一些挑战,如处理大规模知识库和实时获取最新信息的能力,并且会产生幻觉。为了解决这些问题,检索增强生成(Retrieval-Augmented Generation,RAG)技术应运而生,成为实现大模型落地应用的重要技术之一。
RAG技术的核心思想是结合信息检索和生成模型的优势,通过检索外部知识库的信息来增强生成模型的表现。具体来说,RAG技术由两个主要部分组成:检索器(Retriever)和生成器(Generator)。检索器负责从大型知识库中检索与输入查询相关的信息片段,而生成器则利用这些检索到的信息来生成更加准确和有针对性的回答。
-
首先,RAG技术的检索器部分通常采用基于嵌入的检索方法。它将输入的查询和知识库中的文档转换为高维向量,然后使用相似度计算(如余弦相似度)来找到与查询最相关的文档。这种方法可以有效地处理大规模知识库,并快速找到相关信息,提高检索效率。
-
其次,生成器部分通常基于大规模语言模型(如ChatGPT、通义千问、文心一言等)。在获取到相关文档后,生成器会将这些文档与查询一起输入到模型中,以生成更加精确的回答。与传统生成模型相比,RAG技术通过结合外部知识库中的信息,使得生成的回答不仅依赖于模型内部的知识,还能动态地引用最新和更全面的信息,从而显著提升生成质量和实用性。
RAG技术的应用场景非常广泛,通过召回相关的准确信息来缓解大模型的幻觉问题,有效地弥补了大语言模型在处理实时信息和大规模知识库方面的不足,同时结合了大语言模型的强大的语言理解和生成能力,显著提升了生成内容的质量和实用性。
例如:在问答系统中,RAG可以通过检索到的相关文档提供更加具体和可靠的回答;在文档摘要生成中,它可以利用相关背景信息生成更准确和连贯的摘要;在对话系统中,RAG能够通过引用外部知识库的信息,使对话更加丰富和具有上下文关联。此外,RAG技术还可以用于自动写作、信息检索增强的搜索引擎以及智能客服系统等。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。