【RAG】面向实时智能客服场景的RAG问答系统应用

前言

这篇文章探讨了如何在工业环境中利用大型语言模型（LLMs）进行问题回答，特别是针对客服场景提供上下文相关的响应预测。然而，为了在行业环境中针对特定客户查询提供精确和相关的信息，LLMs需要访问全面的知识库以避免产生幻觉。面对这个问题，RAG技术应运而生。然而，使用RAG开发实际应用中的问答框架仍面临几个挑战：1）数据可用性问题，2）生成内容质量的评估，3）昂贵的人工评估成本。文章提出了一个端到端的RAG框架，用于解决工业环境中的问题回答问题。

响应预测系统示例

• A部分：当用户提出一个有效的查询时，系统会检索相关的文档，并从中生成适当的响应供代理选择。代理可以直接使用生成的响应，点击即可。
• B部分：对于超出领域范围的查询，系统会引导用户提出相关的问题。

传统客服场景与文章提出系统对比

• A部分：手动搜索相关文档来响应查询。
• B部分：基于BERT的系统，该系统从给定查询中提取相关的问答对，并为代理提供响应建议。
• C部分：提出的RAG LLM系统，其中LLM检索相关知识库文章，并根据查询和检索到的文章生成答案。

方法

端到端的RAG框架

数据集

构建一个包含领域特定问题和对应答案的知识库文档的数据集。然后，利用LLM从公司文档中生成相关的问题-答案对，并从开源数据集中补充域外问题和答案。

RAG

RAG架构的主要组件包括检索器和生成器。检索器从知识库中检索相关文档，生成器则利用这些文档和历史聊天记录生成响应建议。

• 检索器

  向量嵌入：使用不同的嵌入模型来表示查询和文档，以便计算它们之间的相似度。比较了Universal Sentence Encoder (USE)、Google的Vertex AI嵌入模型和SBERT-all-mpnet-base-v2等嵌入策略。实验结果表明，Vertex AI-textembedding-gecko@001(768)嵌入与ScaNN检索结合效果最佳。

  

  检索策略：测试了多种检索算法，包括ScaNN和KNN HNSW。ScaNN因其在大规模数据集上的高效处理和高检索准确性而被选用。设置了不同的检索阈值，以确保不相关的文档不会被检索并传递给生成器。

• 生成器

  LLM使用PaLM2基础模型（text-bison, text-unicorn）进行文本生成，确保在企业许可和安全要求方面具有优势。

实验

ScaNN检索器在大多数情况下优于KNN HNSW，Vertex AI嵌入模型在捕捉复杂语义关系方面表现最佳。设置检索阈值为0.7可以有效减少不必要的文档检索，提高响应生成效率。

RAG LLM在准确性、幻觉率和缺失率方面均优于现有的BERT模型。

总结

这篇文章主要介绍了RAG在传统智能客服场景的一个应用，减轻人工客服的工作负担。结果表明，检索相关知识库文档并利用LLMs生成响应比BERT响应更具上下文相关性和准确性。

​

如何学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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。

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】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。