Datei:RAG schema.svg
Erscheinungsbild
Aus MOOCsWiki Staging
Originaldatei (SVG-Datei, Basisgröße: 4.249 × 1.722 Pixel, Dateigröße: 76 KB)

🌐Deutsch
Personen-Konto
Werkzeuge
Seitenwerkzeuge
Diese Datei stammt aus Wikimedia Commons und kann von anderen Projekten verwendet werden. Die Beschreibung von deren Dateibeschreibungsseite wird unten angezeigt.
NEWS0LernweltNOAH fragenBeschreibung
| BeschreibungRAG schema.svg |
English: Diagram illustrating the two-phase process for document retrieval using dense embeddings.
Indexing Phase:
Documents are transformed into vector representations using dense embeddings.
These vectors are stored in a vector database.
Inference Phase:
The posed question is converted into a query vector using the same embedding technique.
The vector database retrieves the top four most relevant articles by computing the cosine distance between the query vector and stored document vectors.
The content of the selected articles is introduced to the Large Language Model (LLM) as context, together with the original question.
The LLM is then instructed to formulate an answer.
This process ensures efficient and relevant document retrieval based on the semantic content of queries.Polski: Diagram ilustrujący dwuetapowy proces wyszukiwania dokumentów przy użyciu gęstych osadzeń.
Faza indeksowania:
Dokumenty są przekształcane w reprezentacje wektorowe przy użyciu gęstych osadzeń.
Te wektory są przechowywane w wektorowej bazie danych.
Faza wnioskowania:
Zadane pytanie jest konwertowane na wektor zapytania przy użyciu tej samej techniki osadzania.
Wektorowa baza danych wyszukuje cztery najbardziej odpowiednie artykuły, obliczając odległość kosinusową między wektorem zapytania a przechowywanymi wektorami dokumentów.
Treść wybranych artykułów jest wprowadzana do Dużego Modelu Językowego (LLM) jako kontekst, wraz z oryginalnym pytaniem.
Następnie instruuje się LLM, aby sformułował odpowiedź.
Ten proces gwarantuje efektywne i trafne wyszukiwanie dokumentów na podstawie semantycznej zawartości zapytań.Українська: Діаграма, яка показує двоетапний процес пошуку документів з використанням щільних вкладень.
Етап індексування:
Документи перетворюють на векторні подання з використанням щільних вкладень.
Ці вектори зберігають у векторній базі даних.
Етап висновування:
Задане питання перетворюють на вектор запиту з використання того же щільного подання.
Векторна база даних знаходить чотири найвідповідніші позиції, обчислюючи косинусну відстань між вектором запиту та векторами збережених документів.
Вміст обраних позицій пропонується Великій Мовній Моделі (ВММ) як контекст, разом із первинним запитанням.
ВММ відтак кажуть сформулювати відповідь.
Цей процес забезпечує ефективний та доречний пошук документів на основі семантичного вмісту запитів. |
| Datum | |
| Quelle | Eigenes Werk |
| Urheber | Gknor |
| SVG‑Erstellung InfoField |
Lizenz
Ich, der Urheber dieses Werkes, veröffentliche es unter der folgenden Lizenz:
Diese Datei ist lizenziert unter der Creative-Commons-Lizenz „Namensnennung – Weitergabe unter gleichen Bedingungen 4.0 international“.
- Dieses Werk darf von dir
- verbreitet werden – vervielfältigt, verbreitet und öffentlich zugänglich gemacht werden
- neu zusammengestellt werden – abgewandelt und bearbeitet werden
- Zu den folgenden Bedingungen:
- Namensnennung – Du musst angemessene Urheber- und Rechteangaben machen, einen Link zur Lizenz beifügen und angeben, ob Änderungen vorgenommen wurden. Diese Angaben dürfen in jeder angemessenen Art und Weise gemacht werden, allerdings nicht so, dass der Eindruck entsteht, der Lizenzgeber unterstütze gerade dich oder deine Nutzung besonders.
- Weitergabe unter gleichen Bedingungen – Wenn du das Material wiedermischst, transformierst oder darauf aufbaust, musst du deine Beiträge unter der gleichen oder einer kompatiblen Lizenz wie das Original verbreiten.
Kurzbeschreibungen
Ergänze eine einzeilige Erklärung, was diese Datei darstellt.
Two-phase process of document retrieval using dense embeddings and Large Language Model (LLM) for answer formulation
Dwuetapowy proces wyszukiwania dokumentów przy użyciu gęstych osadzeń i Dużego Modelu Językowego (LLM) do formułowania odpowiedzi.
Двоетапний процес пошуку документів з використанням щільних вкладень та великої мовної моделі (ВММ) для формулювання відповідей
Dwuetapowy proces wyszukiwania dokumentów przy użyciu gęstych osadzeń i Dużego Modelu Językowego (LLM) do formułowania odpowiedzi.
In dieser Datei abgebildete Objekte
Motiv
Einige Werte ohne einen Wikidata-Eintrag
24. Oktober 2023
image/svg+xml
Dateiversionen
Klicke auf einen Zeitpunkt, um diese Version zu laden.
| Version vom | Vorschaubild | Maße | Benutzer | Kommentar | |
|---|---|---|---|---|---|
| aktuell | 11:37, 2. Jan. 2024 | Kein Vorschaubild vorhanden | 4.249 × 1.722 (76 KB) | wikimediacommons>Olexa Riznyk | File uploaded using svgtranslate tool (https://svgtranslate.toolforge.org/). Added translation for uk. |
Dateiverwendung
Die folgenden 8 Seiten verwenden diese Datei:
- Das KI-Gedächtnisproblem - Externe Gedächtnissysteme und Speicherarchitekturen neuronaler Netze
- Function Calling - vom Vibe Coding zum Agentic Coding - aiMOOC
- KI-Schreibwerkstatt - KI im Deutschunterricht
- KI als Literaturkritiker im Deutschunterricht
- Kategorie GPT aiMOOC
- Kategorie GPT aiMOOC 1
- The Invisible Code - Von Vibe Coding zu Agentic Coding - aiMOOC
- Arabic:هندسة الأوامر للذكاء الاصطناعي
Metadaten

🌐Deutsch
Personen-Konto
Werkzeuge
Seitenwerkzeuge
Diese Datei enthält weitere Informationen, die in der Regel von der Digitalkamera oder dem verwendeten Scanner stammen. Durch nachträgliche Bearbeitung der Originaldatei können einige Details verändert worden sein.
| Breite | 4249.381844454099 |
|---|---|
| Höhe | 1722.4531128786125 |
NEWS0LernweltNOAH fragen