干货:落地企业级RAG的实践指南
大模型开发/技术交流
- LLM
11月13日2012看过
对于企业级数据,很多来自多种文档类型,例如 PDF、Word 文档、电子邮件和网页, 我们需要关注以下两个阶段:Load & Process,Split/Chunking
1. 什么是RAG?
检索增强生成(Retrieval-Augmented Generation,简称 RAG)通过结合大型语言模型(LLM)和信息检索系统来提高生成文本的准确性和相关性.这种方法允许模型在生成回答之前,先从权威知识库中检索相关信息,从而确保输出内容的时效性和专业性,无需对模型本身进行重新训练.
RAG技术之所以重要,是因为它解决了LLM面临的一些关键挑战,例如虚假信息的提供、过时信息的生成、非权威来源的依赖以及由于术语混淆导致的不准确响应.通过引入RAG,可以从权威且预先确定的知识来源中检索信息,增强了对生成文本的控制,同时提高了用户对AI解决方案的信任度.
2.企业级RAG落地难点
对于企业级数据,很多来自多种文档类型,例如 PDF、Word 文档、电子邮件和网页, 我们需要关注以下两个阶段:
-
Load & Process,即上图中的A,是指加载数据的过程.在实际应用中,数据的格式和结构各不相同.因此,如何高效地加载和处理这些数据是一个非常具有挑战性的问题.
-
Split/Chunking,即上图中的B,是指将数据分割成多个部分的过程.在实际应用中,数据通常是非结构化的,需要进行小心的分割和处理,以便模型能够更好地理解和处理.
3. 需要load的数据信息
除了获取文档上的文字信息,其它的信息如文件名,页码等都是重要的结构信息.在RAG的实践中,我们需要将这些信息都提取出来,以便更好地理解和处理数据.
文档元素:指文档的基本构成要素,可用于各种 RAG 任务,例如过滤和分块:
-
标题
-
叙述文本
-
列表项
-
表格
-
图像
元素元数据: 有关元素的附加信息,可用于在混合搜索中进行筛选以及识别回答来源:
-
文件名
-
文件类型
-
页码
-
章节
注:如果你不明白什么是混合搜索,没关系,我们后面会详细介绍.
4. 对数据的处理
对数据进行处理是必要但困难的,主要因为:
-
内容提示:不同的文档类型对元素类型(视觉、markdown)有不同的提示;
-
标准化需求:要处理来自不同文档类型的内容,需要对其进行标准化;
-
提取方式不一样:不同的文档格式可能需要不同的提取方法;
-
元数据洞察:在许多情况下,提取元数据需要了解文档结构
我们需要把不同的文档类型(PDF,Word,EPUB,MarkDown等)转换成统一的格式,以便模型能够更好地理解和处理.一个简单有效的方式是将其转化为Json格式.
Json格式有如下的特点:
-
结构常见且易于理解
-
是标准的 HTTP 响应
-
能够用于多种编程语言
-
可以转换为 JSONL 用于流式传输用例
下面提供一个转化好的Json示例:
[{"element_id":"bff1fd0ec25e78f1224ad7309a1e79c4","metadata":{"filename": "CoT.pdf","filetype":"application/pdf","languages":["eng"],"page_number":1,},"text":"B All Experimental Results","type": "Title"},{"element_id":"ebf8dfb149bcbbd8c4b7f9a7046900a9","metadata":{"filename": "CoT.pdf","filetype":"application/pdf","languages":["eng"],"page_number":1,},"text": "This section contains tables for experimental results for varying models and model sizes, on all benchmarks, for standard prompting vs. chain-of-thought prompting.","type": "NarrativeText"}]
对于开发者而言,就是需要找到一个框架,能够处理不同的文档类型,将其转化为Json格式. 一些文档类型(例如 HTML、Word Docs 和 Markdown)包含格式信息,可以使用基于规则的解析器进行预处理;但是对于 PDF 或者图像文档,需要使用其它技术进行处理.这些技术一般不是开源的,需要购买或者自己开发.
6. 语义搜索和混合搜索
对于绝大多数人来说,语义搜索Semantic Search 并不陌生,语义搜索的目标是给定一个输入文本,从文档语料库中查找语义相似的内容以用于加入到Prompt中. 但语义搜索并不是万能的,它有一些局限性,比如:
-
搜索结果过多:在有大量文档的情况下,语义相似的匹配结果太多了;
-
最新信息:用户可能想要最新的信息,而不仅仅是语义最相似的信息;
-
重要信息丢失:丢失了文档中与搜索相关的重要结构信息,例如标题、页码等.
混合策略:混合搜索是一种将语义搜索与其他信息检索技术(如过滤和关键字搜索)相结合的搜索策略.过滤选项来自文档的元数据.
7. 分块Chunking
向量数据库需要将文档分割成块,以便检索和生成提示.根据文档的分块方式,相同的查询将返回不同的内容.
均等大小的块:最简单的方法是将文档分割成大小大致均等的块.这会导致相似的内容被分割成多个块.
按原子元素分块:通过识别原子元素,可以通过组合元素而不是分割原始文本来分块.这样可以产生更连贯的块
步骤:
-
分区:首先,将文档分解为原子元素;
-
将元素组合成块:向块中添加文档元素,直到达到字符或标记阈值.
-
应用中断条件:应用开始新块的条件,例如当我们到达新的标题元素(表示新部分)、元素元数据更改(表示新页面或部分)或内容相似性超过阈值时.
-
组合较小的块:可选地,组合小块,以便块足够大以进行有效的语义搜索.
要点:
-
连贯的块:将来自同一文档元素的内容保持在一起,从而产生更连贯的块.
-
结构化块:允许分块方法利用文档结构,而传统的分块技术则不是这样,它们根据标记或字符数进行拆分.
8. 处理数据中图片的方案
对于其他文档,例如PDF和图像,信息是视觉化的.我们需要Document lmage Analysis (DlA) 从文档的原始图像中提取格式信息和文本. 目前,DIA有两个主要的方法:
-
Document Layout Detection (DLD) 使用目标检测模型在文档图像上绘制和标记布局元素周围的边界框
-
VisionTransformer (ViT) 模型将文档图像作为输入,并生成结构化输出(如 JSON)的文本表示作为输出.
具体的,DLD的步骤是1)视觉检测:使用计算机视觉模型(例如 YOLOX 或 Detectron2)识别和分类边界框.2)文本提取:必要时使用对象字符识别(OCR)从边界框中提取文本. 注意:对于某些文档(例如 PDF),可以直接从文档中提取文本,而无需使用OCR.
而ViT指的是文档图像传入编码器,由解码器生成文本输出,其中Document Understanding Transformer(DONUT)是一种常见的架构,它不需要 OCR 而是将图像输入直接转换为文本,甚至可以训练模型使用直接输出有效的 JSON 字符串!
9. 处理数据中表格的方案
大多数 RAG 用例都侧重于文档中的文本内容,与此同时,一些行业(例如金融、保险)大量处理嵌入在非结构化文档中的结构化数据.为了支持表格问答等用例,我们需要从文档中提取表格.
业界目前有三种技术:
-
Table Transformer:识别表格单元格边界框并将输出转换为 HTML;
-
Vision Transformer:使用上一节(预处理 PDF 和图像)中的视觉转换器模型,但以 HTML 作为输出;
-
OCR + Table Parser:使用 OCR 提取表格,然后使用表格解析器将其转换为结构化数据.
参考
欢迎关注我的GitHub和微信公众号,来不及解释了,快上船!
仓库上有原始的Markdown文件,完全开源,欢迎大家Star和Fork!
————————————————
版权声明:本文为稀土掘金博主「真忒修斯之船」的原创文章
原文链接:https://juejin.cn/post/7428154063575089161
如有侵权,请联系千帆社区进行删除
评论