Translations:FACTS About Building Retrieval Augmented Generation-based Chatbots/67/fr: Difference between revisions

Latest revision as of 07:25, 20 February 2025

Information about message (contribute)

This message has no documentation. If you know where or how this message is used, you can help other translators by adding documentation to this message.

Message definition (FACTS About Building Retrieval Augmented Generation-based Chatbots)

Our work can be compared with RAG papers on various topics dealing with RAG quality along all the FACTS dimensions we presented (freshness, architecture, costs, testing, and security). Due to lack of space, we contrast our work with selective works. Barnett ''et. al.'' ([[#bib.bib3|3]]) presented seven failure points when engineering RAG systems. In their work, they highlight the challenges of getting retrieval augmented generation right by presenting their findings from having built three chatbots. Wenqi Glantz ([[#bib.bib6|6]]) elaborated 12 RAG pain points and presented solutions. We experienced similar challenges first-hand when building our chatbots. However, none of these works discuss the challenges with complex queries, testing, dealing with document security, and the need for flexible architectures. In our work, we not only build on failure/pain points of RAGs as mentioned above, but also present our 15 control points in RAG pipelines and offer specific solutions for each stage. Also, we extend our insights and present practical techniques for handling complex queries, testing, and security. We present a reference architecture for one of the implementations of agentic architectures for complex query handling, strategies for testing and evaluating subjective query responses, and raised awareness for dealing with document ACLs and security. Furthermore, we present a reference architecture for a flexible generative-AI based Chatbot platform.

Notre travail peut être comparé aux articles RAG sur divers sujets traitant de la qualité RAG selon toutes les dimensions FACTS que nous avons présentées (fraîcheur, architecture, coûts, tests et sécurité). En raison du manque d'espace, nous contrastons notre travail avec des œuvres sélectives. Barnett et. al. (3) a présenté sept points de défaillance lors de l'ingénierie des systèmes RAG. Dans leur travail, ils soulignent les défis de réussir la génération augmentée par récupération en présentant leurs conclusions après avoir construit trois chatbots. Wenqi Glantz (6) a élaboré 12 points de douleur RAG et présenté des solutions. Nous avons rencontré des défis similaires de première main lors de la construction de nos chatbots. Cependant, aucun de ces travaux ne discute des défis liés aux requêtes complexes, aux tests, à la gestion de la sécurité des documents et à la nécessité d'architectures flexibles. Dans notre travail, nous ne nous contentons pas de nous appuyer sur les points de défaillance/douleur des RAG mentionnés ci-dessus, mais nous présentons également nos 15 points de contrôle dans les pipelines RAG et offrons des solutions spécifiques pour chaque étape. De plus, nous étendons nos perspectives et présentons des techniques pratiques pour gérer les requêtes complexes, les tests et la sécurité. Nous présentons une architecture de référence pour l'une des implémentations d'architectures agentiques pour la gestion de requêtes complexes, des stratégies pour tester et évaluer les réponses aux requêtes subjectives, et avons sensibilisé à la gestion des ACL et de la sécurité des documents. En outre, nous présentons une architecture de référence pour une plateforme de chatbot flexible basée sur l'IA générative.