検索拡張生成 (RAG) は、現在では生成人工知能 (AI) アプリケーションの となっています。ベクトル データベースから取得した関連コンテキストをアプリケーション プロンプトに追加すると、精度が大幅に向上し、幻覚が軽減されます。これは、ベクトル検索結果の関連性の向上が RAG アプリケーションの品質と直接的な相関関係があることを意味します。 標準部分  RAG が依然として人気があり、関連性が高まっている理由は 2 つあります。 大規模言語モデル (LLM) のコンテキスト ウィンドウが増加しても、  LLM の応答時間と価格は両方ともコンテキストの長さに比例して増加します。  LLM は依然として、大規模なコンテキストにわたる と 両方に苦労しています。 検索 推論の しかし、  魔法の杖ではありません。特に、最も一般的な設計である高密度パッセージ検索 (DPR) は、クエリとパッセージの両方を単一の埋め込みベクトルとして表し、単純な を使用して関連性をスコア付けします。これは、DPR が、関連する検索用語をすべて認識するための幅広いトレーニングを備えたエンベディング モデルに大きく依存していることを意味します。 RAGは コサイン類似度 残念ながら、既製のモデルは、トレーニング データには一般的に含まれない名前などの珍しい用語に対処するのに苦労します。また、DPR はチャンキング戦略に過敏になる傾向があり、多くの無関係な情報に囲まれている場合、関連する部分が見逃される可能性があります。これらすべてにより、アプリケーション開発者は「最初から正しくやる」という負担が生じます。ミスをすると通常、インデックスを最初から再構築する必要が生じるためです。  ColBERT で DPR の課題を解決 、DPR の問題を実質的に解決する 言語モデルを使用してパッセージの関連性をスコアリングする新しい方法です。 のこの図は、なぜこれが非常に魅力的なのかを示しています。  ColBERT は BERT 最初の ColBERT 論文 これは、ColBERT のパフォーマンスを MS-MARCO データセットの他の最先端のソリューションと比較しています。 (MS-MARCO は、  最も関連性の高い文章を手動でスコア付けした一連の Bing クエリです。これは、より優れた検索ベンチマークの 1 つです。) 低く、右に行くほど優れています。 Microsoft が つまり、ColBERT は、レイテンシのわずかな増加を犠牲にして、ほとんどのより複雑なソリューションの分野を簡単に上回ります。 これをテストするために、 作成し、ada002 DPR と ColBERT の両方を使用して 1,000 を超える Wikipedia 記事のインデックスを作成しました。 ColBERT は、珍しい検索用語に対して大幅に優れた結果を提供することがわかりました。 デモを 次のスクリーンショットは、DPR がエイブラハム リンカーンの同僚であるウィリアム H. ハーンドンという珍しい名前を認識できないのに対し、ColBERT はスプリングフィールドの記事で参照を見つけたことを示しています。また、ColBERT の 2 番目の結果は別のウィリアムに関するものであり、DPR の結果はどれも関連していないことにも注意してください。    ColBERT は、緻密な機械学習の専門用語で説明されることがよくありますが、実際には非常に簡単です。わずか数行の Python と  (CQL) を使用して、  に ColBERT の取得とスコアリングを実装する方法を示します。 Cassandra Query Language DataStax Astra DB 大きなアイデア パッセージを単一の「埋め込み」ベクトルに変換する従来の単一ベクトルベースの DPR の代わりに、ColBERT はパッセージ内のトークンごとにコンテキストに影響された を生成します。 ColBERT も同様に、クエリ内の各トークンのベクトルを生成します。 ベクトル  (トークン化とは、LLM で処理する前に入力を単語の一部に分割することを指します。OpenAI 。) チームの創設メンバーである Andrej Karpathy が、これがどのように機能するかについて優れたビデオを公開しました 次に、各ドキュメントのスコアは、ドキュメント エンベディングのいずれかに対する各クエリ エンベディングの最大類似度の合計になります。   def maxsim(qv, document_embeddings): return max(qv @ dv for dv in document_embeddings) def score(query_embeddings, document_embeddings): return sum(maxsim(qv, document_embeddings) for qv in query_embeddings)  (@ はドット積の PyTorch 演算子であり、 です。) ベクトルの類似性の最も一般的な尺度 以上です。4 行の Python で ColBERT スコアリングを実装できます。これで、ColBERT について X (旧 Twitter) に投稿している 99% の人々よりもよく理解できるようになりました。  ColBERT 論文の残りの部分では次の内容が扱われます。  BERT モデルを微調整して、特定のデータセットに最適なエンベディングを生成するにはどうすればよいでしょうか? ここに示されている (比較的高価な) スコアを計算するドキュメントのセットをどのように制限しますか? 最初の質問はオプションであり、この記事の範囲外です。事前トレーニングされた ColBERT チェックポイントを使用します。しかし、2 番目の方法は、DataStax Astra DB のようなベクトル データベースを使用することで簡単に実行できます。  Astra DB の ColBERT   と呼ばれる、ColBERT 用の人気のある Python オールインワン ライブラリがあります。ただし、静的データセットを前提としています。 RAG アプリケーションの強力な機能の 1 つは、動的に 応答することです。そこで代わりに、Astra のベクトル インデックスを使用して、スコアを付ける必要があるドキュメントのセットを絞り込み、各サブベクトルの最適な候補に絞り込みます。 RAGatouille 変化するデータにリアルタイムで  ColBERT を RAG アプリケーションに追加するには、取り込みと取得という 2 つの手順があります。 摂取 各ドキュメント チャンクには複数の埋め込みが関連付けられるため、次の 2 つのテーブルが必要になります。   CREATE TABLE chunks ( title text, part int, body text, PRIMARY KEY (title, part) ); CREATE TABLE colbert_embeddings ( title text, part int, embedding_id int, bert_embedding vector<float, 128>, PRIMARY KEY (title, part, embedding_id) ); CREATE INDEX colbert_ann ON colbert_embeddings(bert_embedding) WITH OPTIONS = { 'similarity_function': 'DOT_PRODUCT' };  ColBERT ライブラリ (   ) をインストールし、 をダウンロードした後、ドキュメントを次のテーブルにロードできます。 pip install colbert-ai 事前トレーニングされた BERT チェックポイント   from colbert.infra.config import ColBERTConfig from colbert.modeling.checkpoint import Checkpoint from colbert.indexing.collection_encoder import CollectionEncoder from cassandra.concurrent import execute_concurrent_with_args from db import DB def encode_and_save(title, passages): db = DB() cf = ColBERTConfig(checkpoint='checkpoints/colbertv2.0') cp = Checkpoint(cf.checkpoint, colbert_config=cf) encoder = CollectionEncoder(cf, cp) # encode_passages returns a flat list of embeddings and a list of how many correspond to each passage embeddings_flat, counts = encoder.encode_passages(passages) # split up embeddings_flat into a nested list start_indices = [0] + list(itertools.accumulate(counts[:-1])) embeddings_by_part = [embeddings_flat[start:start+count] for start, count in zip(start_indices, counts)] # insert into the database for part, embeddings in enumerate(embeddings_by_part): execute_concurrent_with_args(db.session, db.insert_colbert_stmt, [(title, part, i, e) for i, e in enumerate(embeddings)])  (私は DB ロジックを専用モジュールにカプセル化することを好みます。GitHub 内の完全なソースにアクセスできます。) リポジトリ 検索 取得は次のようになります。   def retrieve_colbert(query): db = DB() cf = ColBERTConfig(checkpoint='checkpoints/colbertv2.0') cp = Checkpoint(cf.checkpoint, colbert_config=cf) encode = lambda q: cp.queryFromText([q])[0] query_encodings = encode(query) # find the most relevant documents for each query embedding. using a set # handles duplicates so we don't retrieve the same one more than once docparts = set() for qv in query_encodings: rows = db.session.execute(db.query_colbert_ann_stmt, [list(qv)]) docparts.update((row.title, row.part) for row in rows) # retrieve these relevant documents and score each one scores = {} for title, part in docparts: rows = db.session.execute(db.query_colbert_parts_stmt, [title, part]) embeddings_for_part = [tensor(row.bert_embedding) for row in rows] scores[(title, part)] = score(query_encodings, embeddings_for_part) # return the source chunk for the top 5 return sorted(scores, key=scores.get, reverse=True)[:5] 以下は、最も関連性の高いドキュメント部分 (   ) に対して実行されるクエリです。 db.query_colbert_ann_stmt   SELECT title, part FROM colbert_embeddings ORDER BY bert_embedding ANN OF ? LIMIT 5 基本を超えて: RAGStack この記事とリンクされたリポジトリでは、ColBERT がどのように機能するかを簡単に紹介します。独自のデータを使用してこれを今すぐ実装し、すぐに結果を確認できます。 AI のあらゆるものと同様、ベスト プラクティスは日々変化しており、新しい技術が常に登場しています。 最先端の技術に追いつきやすくするために、DataStax は、この機能とその他の機能強化を、LangChain と LlamaIndex を活用した実稼働対応の RAG ライブラリである に組み込んでいます。私たちの目標は、開発者が新しい機能へのステップアップを制御できる、RAG アプリケーション用の一貫したライブラリを提供することです。技術やライブラリの無数の変更に追従する必要がなく、単一のストリームがあるため、アプリケーションの構築に集中できます。今すぐ RAGStack を使用して、LangChain と LlamaIndex のベスト プラクティスをそのまま組み込むことができます。 ColBERT のような進歩は、今後のリリースで RAGstack に導入される予定です。 RAGStack   Jonathan Ellis、DataStax 著 にも登場します。 ここ

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

DataStax Astra DB is the vector database for getting GenAI apps into production, fast. Try it for free today!

DataStax

このオーディオは、ストーリーの元の言語で制作されています。

ColBERT が開発者による RAG の限界の克服にどのように役立つか

About Author

コメント

ラベル

この記事は

Related Stories

ワークフローを10倍に向上させる方法: 必須アプリ17選

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

海を航海する: データレイクを使用した本番環境レベルの RAG アプリケーションの開発

目に見えない層: ユーザーインタビューがかけがえのない資産である理由

ワークフローを10倍に向上させる方法: 必須アプリ17選

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

海を航海する: データレイクを使用した本番環境レベルの RAG アプリケーションの開発

目に見えない層: ユーザーインタビューがかけがえのない資産である理由

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps