L'IA générative sur AWS

Chapitre 9. Applications de raisonnement contextuel à l'aide de RAG et d'agents

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Dans ce chapitre, tu découvriras comment rassemble tout ce que tu as appris jusqu'à présent pour créer des applications de raisonnement contextuel. Pour ce faire, tu exploreras la génération augmentée par la recherche (RAG) et les agents. Tu découvriras également des cadres appelés LangChain, ReAct et PAL, qui facilitent grandement la mise en œuvre et la maintenance des flux de travail de la RAG et des agents. La RAG et les agents sont souvent des composants clés d'une application d'IA générative.

Avec RAG, tu augmentes le contexte de tes prompts avec des informations pertinentes nécessaires pour répondre aux limites de connaissances des LLMs et améliorer la pertinence des résultats générés par le modèle. RAG a gagné en popularité en raison de son efficacité à atténuer les défis tels que les coupures de connaissances et les hallucinations en incorporant des sources de données dynamiques dans le contexte du prompt sans avoir besoin d'affiner continuellement le modèle à mesure que de nouvelles données arrivent dans ton système.

RAG peut être intégré à des modèles de base prêts à l'emploi ou à des modèles affinés et alignés sur l'humain, spécifiques à ton cas d'utilisation génératif et à ton domaine.

Note

Le RAG et le réglage fin peuvent être utilisés ensemble. Ils ne s'excluent ...