我们不需要构建和维护知识库

ayesha983

当前流程的一个弱点是如何将用户提供的选择标准分解为一组可以独立检查的“原子”选择标准。我们大致设法执行分解本身，但即使是 GPT-4 也难以将各个检查的结果组合成最终结论。例如，如果选择标准是“活跃于机器人辅助手术领域并活跃于美国或加拿大”，我们可以获得以下“原子”选择标准：“活跃于机器人辅助手术领域”、“活跃于美国”和“活跃于加拿大”。但是，如果对这三个“原子”选择标准的评估是：“真”、“真”、“未知”，那么 LLM 的结论可能是“未知”，而它应该是“真”。这是未来版本的一个改进领域。  
更广泛地说，该项目还说明了 LLM 如何 捷克共和国电报数据 触发和促进领域专家与数据科学家之间的协作。最初确定用例想法的是 Heraeus 商业卓越团队的业务利益相关者。他们能够自主评估使用 ChatGPT 的用例的可行性，一旦获得有希望的结果，他们就会联系 Heraeus 的数据科学团队，然后联系 Dataiku 来改进和自动化该流程。此外，在项目开发过程中，核心材料只是文本（例如提示、LLM 完成和搜索结果），这使得与这些业务利益相关者讨论结果和集思广益改进变得更加容易。这表明LLM 如何成为企业环境中 AI 民主化的催化剂。您可以在Dataiku 的网站上了解有关此用例的更多信息。  
结论
使用 RAG 方法的网络内容简单而快捷：，我们可以直接利用互联网的丰富性和现代网络搜索引擎的强大功能。

这可以补充标准的 RAG 方法。从内部来源和互联网检索到的数据块可以组合在同一个提示中，或者如果基于内部文档的 RAG 管道无法提供答案，则基于 Web 的 RAG 管道可以充当替代管道。

当然，使用 Web 内容意味着对信息源的控制较少。实施基于 Web 的 RAG 管道的数据科学团队应该仔细评估并降低相应的风险。