第十届 NVIDIA Sky Hackathon 参赛作品
项目亮点/特点:
- 面向低年龄段幼儿、小学生,通过对话进行学习唐诗,相较于书本,能提供更多有关联性的内容
- 利用RAG结合NIM技术,生成诗作者和背景的描述
- 针对低年龄用户进行了UI优化,提供了更好的用户体验
项目功能和初衷:
<从小读诗>是一个基于AIGC技术的智能生成工具,旨在帮助用户更快、更便捷地生成对唐诗、作者、诗本身的描述。该项目利用NIM技术,通过自然语言处理和机器学习模型训练和推理,实现对唐诗、作者、诗本身的检索,能根据用户的提问,进行有针对性的回答。
项目流程:
数据处理 - 入向量库 - 检索知识点 - WEB交互
模型训练和推理:
RAG,全称为检索增强生成(Retrieval-Augmented Generation),是一种自然语言处理技术,它结合了信息检索和文本生成两个领域的方法。在传统的生成模型中,如基于Transformer的模型,所有的知识都被编码在模型的参数中,这限制了模型能够理解和生成的信息范围。RAG技术则允许模型在生成文本时查询外部的知识库或数据库,从而引入更多的信息和上下文,提高生成内容的准确性和时效性。
RAG的特点包括:
1. 外部知识接入:RAG能够访问实时或近实时的数据源,从而生成基于最新信息的内容。
2. 上下文敏感性:通过检索相关文档,RAG能够生成更加上下文相关的回应,减少不连贯或无关的输出。
3. 减少幻觉:幻觉是指模型生成不存在于输入中的信息,RAG通过检索验证信息的存在性,减少了这种现象。
4. 可解释性:RAG模型的输出可以追溯到具体的外部知识来源,增加了生成内容的透明度和可解释性。
5. 灵活性:可以轻松地将新知识或数据源集成到现有模型中,无需重新训练整个模型。
我们这次在生成唐诗的RAG应用,采用了深度学习模型进行模型训练和推理,包括文本生成模型和自然语言处理模型。模型训练过程中,我们通过大量的唐诗数据集和自然语言处理数据集进行训练,以提高模型的准确率和稳定性。训练的时间取决于数据集的规模和模型的复杂度,通常需要数小时到数天的时间。
技术创新点:
利用NIM技术实现对唐诗、作者、诗本身的智能生成。
基于深度学习模型的模型训练和推理,提高了模型的准确率和稳定性。
优化的UI页面,提供了更好的用户体验。
UI页面优化:
我们采用了简洁明了的设计风格,使用户能够快速理解和使用该项目。同时,我们也进行了用户体验测试,根据用户(家中小朋友)反馈进行了多次迭代和优化,以提高用户体验。
总之,<从小读诗>是一个基于AIGC技术的智能生成工具,通过NIM技术和深度学习模型训练和推理,实现了对唐诗、作者、诗本身的知识点的智能生成整合,同时也优化的UI页面,提高了用户体验。我们期待在未来继续优化和完善该项目,为用户提供更好的服务。
项目创作经历及感想:
在参加本次项目之前并无AI的工作经验,属于业余自学阶段。平时监督小朋友背诗,也在思考何种形式能让小朋友自主学习,刚好接触到RAG技术后发现很适合,它可以把家长准备好的,认为与现阶段能力匹配的知识点展示出来,并且交互的形式也能引起小朋友的兴趣。
后续加入语音输入,图片或动画输出,表现形式会更加丰富。