文本分片及向量化：让大模型应用企业内部数据

在现代企业中，大量文档和数据的管理与利用是一个巨大的挑战。特别是当我们试图将这些数据应用于大模型进行对话或生成时，挑战变得更加复杂。本文将探讨如何通过文本分片和向量化技术，使大模型更有效地应用企业内部数据。

一、大量文档和数据的挑战

使用大模型进行对话和生成时，我们可以通过提示（Prompt）来传递数据和上下文。然而，这种方法会面临以下几个挑战：

1. Prompt 的内容大小限制：大模型对单次输入的字符数有严格限制，超出限制的内容无法直接处理。

2. 使用大量数据的成本：将大量数据输入大模型会导致计算资源的高消耗，增加使用成本。

3. 并非所有数据都会用于解决当前问题：许多数据在特定上下文中可能无关紧要，直接输入大模型会导致效率低下。

二、解决大量数据/文本的设想

为了应对上述挑战，我们可以采取以下策略：

1. 文档分割成数据块：将长文档分割成较小的数据块。

2. 选取相关数据块：根据用户的问题，筛选出与之相关的数据块。

3. 多次调用、发送至大模型：分批次将相关数据块发送给大模型处理。

但关键问题是：如何根据用户的问题选择相关的数据块？这就需要借助语义检索技术。

三、语义检索

传统的关键词检索方法在处理复杂查询时常常力不从心，而语义检索则是一种基于文本内容和意义的信息检索方法，它试图理解查询和文档的语义，以便更准确地找到与查询相关的文档。

1. 关键词检索到语义检索：关键词检索依赖于精确匹配，无法处理同义词或语义相关的查询，而语义检索则通过理解文本的意义进行匹配。

2. 向量化（Embedding）：向量化是将文本数据转换为数值向量的过程。向量化后的文本可以用于计算文本之间的相似性，如余弦相似度、欧几里得距离等。这使得语义检索能够根据查询和文档之间的语义相似性来排序和检索文档，从而提高检索的准确性和效率。

四、向量化（Embedding）

为了实现语义检索，我们可以利用向量化技术。以下是一个简单的例子，展示了如何使用OpenAI的向量化工具进行文本向量化，并计算文本之间的相似性：

python

from langchain.embeddings.openai import OpenAIEmbeddingsembedding = OpenAIEmbeddings(deployment="embedding",chunk_size=1)sentence1 = "我是一名软件⼯程师"sentence2 = "小张从事法律工作"sentence3 = "我是一名程序员"embedding1 = embedding.embed_query(sentence1)embedding2 = embedding.embed_query(sentence2)embedding3 = embedding.embed_query(sentence3)import numpy as npprint(np.dot(embedding1,embedding2))print(np.dot(embedding2,embedding3))print(np.dot(embedding1,embedding3))

输出结果：

`0.7987662070931474``0.7992461569419606``0.9592105615669977`

从结果可以看出，语义越相似的向量距离越近（点积值越大）。例如，“我是一名软件工程师” 和 “我是一名程序员” 的点积值接近1，表明这两句的语义非常接近。

总结

通过文档分片、语义检索和向量化技术，我们可以有效地处理和利用企业内部的大量数据。这不仅能够提高大模型在特定任务上的表现，还能大幅降低计算资源的消耗，提升数据处理的效率和准确性。在未来，随着这些技术的不断发展，企业将能够更智能地管理和利用其内部数据，推动业务的进一步发展。

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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】