Аналогия с мишенью для дартса: оптимизация поиска в условиях неопределенности в RAG

Автор: LLMs Explained - Aggregate Intellect - AI.SCIENCE

Загружено: 2025-11-28

Просмотров: 40

Описание: В этом видео показано, как на практике извлекать разнообразные и ценные факты для конвейеров RAG. Мы рассмотрим классический подход MMR (лямбда-регулятор), который балансирует между релевантностью и разнообразием, его ограничения (дубликаты, проблемы с настройкой) и более принципиальный подход, основанный на приросте информации и неопределенности. Используя аналогию с мишенью для игры в дартс, мы объясним, почему метод K-ближайших соседей может создавать избыточные массивы данных, как моделирование с учетом неопределенности встраивания (сигма) меняет стратегию выбора и почему небольшая комбинаторная оптимизация может выбрать набор, который максимизирует вероятность того, что LLM действительно найдет нужный факт в контексте.

Идеально подходит для инженеров машинного обучения и инженеров-справочников, создающих системы поиска данных в производственных системах. Оставьте комментарий, рассказав о своих проблемах, связанных с RAG.

#RAG #MMR #RetrievalAugmentedGeneration #Embeddings #CrossEncoder #LLM #InformationRetrieval #NLP #PromptEngineering #MachineLearning #DataScience

Не удается загрузить Youtube-плеер. Проверьте блокировку Youtube в вашей сети.
Повторяем попытку...

Аналогия с мишенью для дартса: оптимизация поиска в условиях неопределенности в RAG

Доступные форматы для скачивания:

Скачать видео

Информация по загрузке:

Скачать аудио

Похожие видео

Все стратегии RAG объясняются за 13 минут (без лишних слов)

Все стратегии RAG объясняются за 13 минут (без лишних слов)

2 метода улучшения поиска в RAG

2 метода улучшения поиска в RAG

Cross-coder Reranker: как извлекать факты в RAG, не тратя впустую контекст LLM

Cross-coder Reranker: как извлекать факты в RAG, не тратя впустую контекст LLM

Превратите ЛЮБОЙ файл в знания LLM за СЕКУНДЫ

Превратите ЛЮБОЙ файл в знания LLM за СЕКУНДЫ

LLM fine-tuning или ОБУЧЕНИЕ малой модели? Мы проверили!

LLM fine-tuning или ОБУЧЕНИЕ малой модели? Мы проверили!

5 методов, которые отличают лучших инженеров-агентств прямо сейчас

5 методов, которые отличают лучших инженеров-агентств прямо сейчас

Экспресс-курс RAG для начинающих

Экспресс-курс RAG для начинающих

Чем ОПАСЕН МАХ? Разбор приложения специалистом по кибер безопасности

Чем ОПАСЕН МАХ? Разбор приложения специалистом по кибер безопасности

Advanced RAG techniques for developers

Advanced RAG techniques for developers

What is RAG? (Retrieval Augmented Generation)

What is RAG? (Retrieval Augmented Generation)

Теренс Тао о том, как Григорий Перельман решил гипотезу Пуанкаре | Лекс Фридман

Теренс Тао о том, как Григорий Перельман решил гипотезу Пуанкаре | Лекс Фридман

A Beginner's Guide to Vector Embeddings

A Beginner's Guide to Vector Embeddings

ЛЕКЦИЯ ПРО НАДЁЖНЫЕ ШИФРЫ НА КОНФЕРЕНЦИИ БАЗОВЫХ ШКОЛ РАН В ТРОИЦКЕ

ЛЕКЦИЯ ПРО НАДЁЖНЫЕ ШИФРЫ НА КОНФЕРЕНЦИИ БАЗОВЫХ ШКОЛ РАН В ТРОИЦКЕ

ИИ - ЭТО ИЛЛЮЗИЯ ИНТЕЛЛЕКТА. Но что он такое и почему совершил революцию?

ИИ - ЭТО ИЛЛЮЗИЯ ИНТЕЛЛЕКТА. Но что он такое и почему совершил революцию?

RAG vs. Fine Tuning

RAG vs. Fine Tuning

Аудиокниги на YouTube: деньги, техника, процесс и как я к этому пришёл

Аудиокниги на YouTube: деньги, техника, процесс и как я к этому пришёл

Advance RAG Course: Master All RAG Retrieval & Reranking Techniques in One Video💡!

Advance RAG Course: Master All RAG Retrieval & Reranking Techniques in One Video💡!

Токены и вложения — что это такое и чем они отличаются?

Токены и вложения — что это такое и чем они отличаются?

A Helping Hand for LLMs (Retrieval Augmented Generation) - Computerphile

A Helping Hand for LLMs (Retrieval Augmented Generation) - Computerphile

The Only Embedding Model You Need for RAG

The Only Embedding Model You Need for RAG