یک دیاگرام بسیار عالی از Pipeline یک سیستم RAG به زبان بسیار ساده
@ai_python

استخراج شده از دوره های deeplearning.ai

@ai_python

اینفوگرافی توضیح RAG از دیدگاه تقسیم به یک بخش Generation و در سمت دیگر Retrieval

امروز یک مقایسه اجمالی انجام دادیم از دو تا ابزار RAG Evaluation مشهور و حرفه ای. که با شما هم به اشتراک می ذاریم.

@ai_python

اگر این روزها با RAG Evaluation درگیر هستید یا قرار هست در آینده درگیرش بشید، این نوشتار فرمول های متریک های مورد استفاده در RAG Evaluation و معنای آن ها را بسیار بسیار ساده و با مثال های خیلی خوبی بیان کرده است:
@ai_python

البته با تکیه بر نام متریک ها در RAGAS که با TruLens کمی متفاوت است.
https://medium.com/@rupeshyadav153/evaluation-of-retrieval-augmented-generation-rag-using-ragas-on-human-annotated-and-synthetic-09c4b825c298

تاپ ترین دوره های رایگان هوش مصنوعی برگرفته از صفحه
Generative AI
در لینکداین
@ai_python

@ai_python

شمای ماژول Model I/O در لانگ چین

Medium

@ai_python

تفاوت های کلیدی LangChain و LlamaIndex

مخزن پرامپت های لانگ چین :
@ai_python
https://smith.langchain.com/hub/rlm?organizationId=900eb658-009f-5a0d-aa45-336aa00d253f

مقایسه جامه وکتور دیتابیس ها :
@ai_python

https://superlinked.com/vector-db-comparison/

پیاده سازی RAG با استفاده از MongoDB به عنوان Vector Database

@ai_python

یه پلت فرم باحال که باهاش می تونید خیلی راحت مایگریت کنید. برای مثال به نظر من لایبرری OpenAI خیلی سریع تغییر می کنه.
@ai_python
با استفاده از این پلت فرم وقتی که لایبرری OpenAI رو آپدیت می کنید، می تونید چک کنید که کجای کدتون نیاز به تغییر داره تا با ورژن جدید سازگار بشه. https://app.grit.io/
@ai_python
البته grit فقط برای OpenAI نیست. خیلی کتابخونه های دیگه رو هم پشتیبانی می کنه. مثل Next.js

یا حتی مهاجرت از Chai به Jest

https://app.grit.io/migrations/new

یک خانواده از LLM ها اکنون می توانند تا حدود زیادی نقش Decompile کدهای باینری را به عهده بگیرند :
@ai_python

این مدل ها بر روی 4 بیلیون توکن سورس کد زبان سی و اسمبلی کدهای متناظر Train شده اند.

Paper Link

دوتا جایگزین باحال برای متد دیسکرایب در Pandas:
@ai_python

https://www.blog.dailydoseofds.com/p/you-will-never-use-pandas-describe

ارزیابی RAG با Lighthouz :
@ai_python

https://github.com/ayushpai/lighthouz-singlestore/blob/master/README.md

این جا می تونید تلاش کنید که اطلاعات حریم خصوصی رو از چت بات های یک بانک فرضی با پرامپت های مختلف به دست بیارید :
@ai_python
https://huggingface.co/spaces/lighthouzai/guardrails-arena

یک رشته توییت عالی که تغییرات معماری ترانسفورمرها رو از سال ۲۰۱۷ تا الان بررسی کرده.
@ai_python

لینک مقاله های آرکایو در رشته توییت قرار داده شده است :

https://twitter.com/Muhtasham9/status/1772469982485438485?t=120YmOd_4f2HS-FnYib3qA&s=19

می دونم که این چند وقت درباره RAG Evaluation با RAGAS زیاد مطلب گذاشتیم. اما مشکل اینجاست که به خصوص برای کسانی که تازه دارن شروع می کنن، توتوریال ها خیلی سریع قدیمی می شن و کدی که توشون توضیح داده می شه دچار تغییرات ریز می شه.
@ai_python

برای همین شاید خالی از لطف نباشه که این یکی توتوریال RAGAS رو که به نسبت جدید تر هست هم بذاریم توی کانال باشه :

https://www.youtube.com/live/Anr1br0lLz8?si=u7VafvMrJJMxbWza