RAG Reranking King

Σε αυτό το άρθρο, θα εξερευνήσουμε πώς προηγμένες τεχνικές όπως η Παραγωγή με Ενίσχυση Ανάκτησης (RAG), τα embeddings, η αναζήτηση ομοιότητας και η επαναταξινόμηση μπορούν να φέρουν επανάσταση στην ανάκτηση γνώσεων σε τεχνικούς τομείς.

Παραγωγή με Ενίσχυση Ανάκτησης (RAG): Η Παραγωγή με Ενίσχυση Ανάκτησης (RAG) είναι μια ισχυρή προσέγγιση που συνδυάζει την ανάκτηση πληροφοριών με μοντέλα παραγωγής γλώσσας. Στο πλαίσιο των τεχνικών εγγράφων, το RAG επιτρέπει στα συστήματα ανάκτησης γνώσεων όχι μόνο να βρίσκουν σχετικά αποσπάσματα αλλά και να δημιουργούν συνεκτικές και πληροφοριακές απαντήσεις βασισμένες στις ανακτημένες πληροφορίες. Αξιοποιώντας τα πλεονεκτήματα τόσο της ανάκτησης όσο και της παραγωγής, το RAG επιτρέπει πιο ακριβή και προσαρμοσμένη στο πλαίσιο ανάκτηση γνώσεων από τεχνικά έγγραφα.

Embeddings και Αναζήτηση Ομοιότητας: Τα embeddings είναι πυκνές διανυσματικές αναπαραστάσεις κειμένου που συλλαμβάνουν σημασιολογικό νόημα και σχέσεις μεταξύ λέξεων ή αποσπασμάτων. Μετατρέποντας τεχνικά έγγραφα και διαγράμματα σε embeddings, μπορούμε να εκτελέσουμε αποτελεσματικές αναζητήσεις ομοιότητας για να βρούμε σχετικές πληροφορίες βάσει της σημασιολογικής ομοιότητας μεταξύ του ερωτήματος και των ενσωματωμένων εγγράφων. Αυτή η προσέγγιση ξεπερνά την απλή αντιστοίχιση λέξεων-κλειδιών και επιτρέπει την ανάκτηση εγγράφων που σχετίζονται εννοιολογικά με το ερώτημα, ακόμη και αν δεν περιέχουν ακριβώς τους ίδιους όρους.

Η Δύναμη της Επαναταξινόμησης: Ενώ τα embeddings και η αναζήτηση ομοιότητας παρέχουν ένα ισχυρό θεμέλιο για την ανάκτηση γνώσεων, οι τεχνικές επαναταξινόμησης μπορούν να ενισχύσουν περαιτέρω την ακρίβεια και τη συνάφεια των ανακτημένων εγγράφων. Κατά τη διάρκεια ενός πρόσφατου έργου με μια τεχνική εταιρεία, όπου πάνω από 2.000 τεχνικά έγγραφα εισήχθησαν και διανυσματοποιήθηκαν, η ανάγκη για επαναταξινόμηση έγινε εμφανής κατά τη φάση Δοκιμών Αποδοχής Χρήστη (UAT). Ο τεχνικός διευθυντής της εταιρείας εξέφρασε την επιθυμία για ακόμη πιο ακριβή ανάκτηση εγγράφων. Για να αντιμετωπίσουμε αυτό, δοκιμάσαμε εκτενώς τις ακόλουθες επιλογές επαναταξινόμησης κάνοντας την ίδια ερώτηση:

Technical Question: input and output for preheat perkins 1306

1. Gemini 1.5: Gemini 1.5 is a state-of-the-art reranking model that combines the strengths of multiple language models. It takes into account various factors such as relevance, coherence, and diversity to provide a well-rounded reranking of the retrieved documents. Gemini 1.5 has shown promising results in improving the quality of knowledge retrieval in technical domains.

Here's a possible order of relevance based on the provided documents:

1. Document 0 (4008 TAG1A 644 - 882 kWm): This document seems highly
relevant as it specifically discusses the Perkins 1306 engine model
and provides detailed technical data, including sections on "General
installation" and "Cooling system," which directly relate to preheating.
2. Document 2 (General installation 4008TAG1A - Temperate): This
document provides specific information about the general installation of
the 4008TAG1A engine, which likely includes details relevant to
preheating procedures.
3. Document 3 (4008TAG2A - Temperate Designation): While focusing on
the 4008TAG2A model, this document might offer insights into preheating
procedures applicable to the Perkins 1306 series due to potential
similarities between the models.
4. Document 1 (DSE P810 for Windows ™ Software Manual): This document,
although related to the DSE controller, might contain information about
preheating settings and configurations that could be helpful.
5. Document 4 (4008TAG2A - Tropical Designation): Similar to document 3,
this document might offer some relevant information due to shared
characteristics within the Perkins 1306 series.
6. Document 5 (Energy balance 4008TAG1A - Temperate Designation):
This document likely focuses on energy consumption and distribution,
which may not be directly related to preheating.
7. Document 6 (Noise Data Noise levels): This document seems to
be about noise levels and is unlikely to contain information about preheating.
8. Document 7 (4008TAG1A and 4008TAG2A - Left side view (Temperate)):
This document, while providing a visual representation of the engine,
may not offer specific details about preheating.
9. Document 8 (4008TAG1A and 4008TAG2A - Front view (Tropical)):
Similar to document 7, this document may not directly address preheating
procedures.
10. Document 9 (4008TAG1A and 4008TAG2A - Right side view (Tropical)):
This document, like documents 7 and 8, is unlikely to be a primary
source of preheating information.
11. Document 10 (4008TAG1A and 4008TAG2A - Rear view (Tropical)):
Similar to documents 7, 8, and 9, this document may not be directly
relevant to preheating.
12. Document 11 (CEA6 controller unit):
This document, while related to a different controller model,
may not provide specific details about preheating for the Perkins 1306.

[0, 2, 3, 1]

2. Cohere Reranker: Cohere’s rerank-multilingual-v3.0 reranking model leverages advanced natural language understanding to reorder the retrieved documents based on their relevance to the query. By considering the semantic context and relationships between the query and the documents, Cohere Reranker can significantly improve the accuracy of the retrieved results.

Cohere reranking

RerankResponseResultsItem(document=None, index=3, relevance_score=0.6087685),
RerankResponseResultsItem(document=None, index=2, relevance_score=0.2961451),
RerankResponseResultsItem(document=None, index=1, relevance_score=0.2791402),
RerankResponseResultsItem(document=None, index=6, relevance_score=0.07450026),
RerankResponseResultsItem(document=None, index=5, relevance_score=0.02092419),
RerankResponseResultsItem(document=None, index=0, relevance_score=0.016090874),
RerankResponseResultsItem(document=None, index=4, relevance_score=0.009196552)], meta=ApiMeta(api_version=ApiMetaApiVersion(version='1', is_deprecated=None, is_experimental=None), billed_units=ApiMetaBilledUnits(input_tokens=None, output_tokens=None, search_units=1, classifications=None), tokens=None, warnings=None))

3. Claude Opus: Claude Opus is a reranking model specifically designed for technical documents. It incorporates domain-specific knowledge and understands the intricacies of technical language and concepts. By leveraging its understanding of technical jargon and context, Claude Opus can effectively rerank the retrieved documents to prioritize the most relevant and informative results.

Claude Opus 3

Based on the given user question and the provided list of documents,
here is my ranking of the documents from most relevant to least relevant to answer the question "input and output for preheat perkins 1306":

1. The most relevant document appears to be document 1, as
it specifically mentions the Perkins 1306 engine and describes
the inputs and outputs related to the preheat system, including the
preheat switch input and the preheat relay output.

2. Document 0 would be the next most relevant, as it discusses the
preheat system in general terms for Perkins engines, though it does
not specifically mention the 1306 model.

3. Document 2 mentions Perkins engines but does not contain any
information about preheating or inputs/outputs, so it is less relevant
than documents 1 and 0.

4. Document 3 is not relevant at all, as it is about a different
engine manufacturer (Cummins) and does not mention preheating.

So in summary, my ranking from most relevant to least relevant to answer
the question "input and output for preheat perkins 1306" is:

[1, 0, 2, 3]

The combination of RAG, embeddings, similarity search, and reranking techniques has the potential to revolutionize knowledge retrieval in technical domains. By leveraging these advanced approaches, organizations can unlock the full potential of their technical documents and diagrams, enabling faster access to relevant information and facilitating better decision-making. As we continue to refine and optimize these techniques, we can expect even more accurate and efficient knowledge retrieval systems that empower engineering firms and other technical organizations to stay ahead in today’s competitive landscape.

4. Claude Haiku: RAG draws deep insights, Opus stands sleek, streamlined, swift — but lets weight Haiku’s depth low cost / high speed:

Based on the given user question "input and output for preheat perkins 1306"
and the list of documents, I would rank the relevance of the
documents as follows:

The reasoning is:

0. This document is likely the most relevant as it specifically
mentions "Perkins 1306" and discusses input and output information,
which is directly related to the user's question.

2. This document also mentions "Perkins 1306" and discusses engine
specifications, which could be relevant to answering the question.

1. While this document discusses Perkins engines, it does not specifically
mention the 1306 model, so it is less directly relevant than the top
two documents.

3. This document discusses Perkins engine maintenance, but does not appear
to have specific information about the 1306 model input and output.

4. This document discusses Perkins engine troubleshooting, but again does
not seem to have direct information about the 1306 model.

5. This document discusses Perkins engine parts, but does not appear to
have information directly relevant to the user's question.

[0, 2, 1, 3, 4, 5]

Σχετικά με την PandoraBot.io

Με την ΤΝ, οι μικρές επιχειρήσεις επανεξετάζουν τις προσεγγίσεις τους στην εμπειρία πελατών, την παραγωγικότητα, τα έσοδα και την ανάπτυξη τόσο στους τομείς B2B όσο και B2C. Η τεχνολογία ΤΝ, κάποτε ένα μακρινό όνειρο για τις μικρότερες επιχειρήσεις, είναι πλέον προσιτή. Η PandoraBot.io βρίσκεται στην πρώτη γραμμή αυτής της επανάστασης, παρέχοντας ισχυρά AI bots που προσφέρουν τις λειτουργίες ενός υπαλλήλου με ένα κλάσμα του κόστους.

Γνωρίστε το Κουαρτέτο των Δοκιμασμένων στη Μάχη AI Chatbots μας! Προγραμματίστε μια γρήγορη επίδειξη με την ομάδα μας σήμερα!

🧠 KnowledgeBot: Αυτό το bot λειτουργεί ως κεντρικό αποθετήριο γνώσεων, επιτρέποντας τη γρήγορη ανάκτηση και διάδοση πληροφοριών μεταξύ των μελών της ομάδας από χιλιάδες έγγραφα και μη δομημένα δεδομένα. Παρέχει άμεση πρόσβαση στη γνώση ολόκληρης της εταιρείας και άμεσες απαντήσεις σε πολύπλοκα ερωτήματα για τεχνικούς ή πωλητές στο πεδίο.

💰 SalesBot: Φανταστείτε να έχετε έναν έμπειρο πωλητή να εργάζεται ακούραστα 24/7. Το SalesBot μας κάνει ακριβώς αυτό, προτείνοντας προϊόντα στους πελάτες, ενισχύοντας τις πωλήσεις και αυξάνοντας τις ευκαιρίες για σταυροειδείς πωλήσεις. Η ΤΝ μπορεί να μετατρέψει τις διαδικτυακές συνομιλίες σε κάτι πιο πραγματικό — γνωστό ως "συνομιλιακό εμπόριο", ενισχύοντας την εξατομίκευση, τη δημιουργία περιεχομένου και την παραγωγικότητα των πωλήσεων.

🛠️ ServiceBot: Προσφέρει εξυπηρέτηση πελατών όλο το 24ωρο. Το ServiceBot εξορθολογίζει τις διαδικασίες από την παρακολούθηση παραγγελιών έως τη συλλογή πληροφοριών πελατών. Χειρίζεται αποτελεσματικά τα αιτήματα εξυπηρέτησης, ενσωματώνεται με το ERP και τροφοδοτεί τις πύλες πελατών, την παρακολούθηση παραγγελιών, διασφαλίζοντας μια απρόσκοπτη εμπειρία εξυπηρέτησης.

️️👁️‍🗨️ VisionBot: Προηγμένη αναζήτηση προϊόντων με αναγνώριση εικόνας: Αυτοματοποιεί τη διαχείριση αποθεμάτων με ΤΝ βασισμένη σε εικόνες, εφαρμόζει ελέγχους ποιότητας. Οι χρήστες μπορούν να παρέχουν εικόνες αντί για κείμενο για να αναζητήσουν προϊόντα, να αναφέρουν προβλήματα ή να επικοινωνήσουν με την εξυπηρέτηση πελατών, δημιουργώντας ένα απαράμιλλο επίπεδο ευκολίας και εξατομίκευσης.