All translations

Enter a message name below to show all available translations.

Found 8 translations.

Name	Current message text
^h German (de)	'''RAGOps''': Eine effektive Gesundheitsüberwachung von RAG-Pipelines ist unerlässlich, sobald sie eingesetzt werden. Wenn die Antwortqualität schlecht ist, ist eine gründliche Fehleranalyse erforderlich, um festzustellen, ob das Problem in der Relevanz der Abfrage oder in der Generierung der LLM-Antwort liegt. Um die Relevanz der Abfrage zu debuggen, benötigen Entwickler detaillierte Informationen darüber, welche Chunks mit ihren zugehörigen Metadaten in Vektordatenbanken gespeichert wurden, wie Abfragen umformuliert wurden, welche Chunks abgerufen wurden und wie diese Chunks bewertet wurden. Ebenso ist es wichtig, bei einer falschen LLM-Antwort das endgültige Prompt zu überprüfen, das für die Antwortgenerierung verwendet wurde. Bei Problemen mit Zitaten müssen Entwickler zu den ursprünglichen Dokumentenlinks und ihren entsprechenden Chunks zurückverfolgen. RAGOps/LLMOps und Bewertungsframeworks wie Ragas sind entscheidend, um die notwendige Automatisierung bereitzustellen, die eine schnelle Iteration während der Genauigkeitsverbesserungszyklen in RAG-Pipelines ermöglicht.
^h English (en)	'''RAGOps''': Effective health monitoring of RAG pipelines is essential once they are deployed. When answer quality is poor, a thorough error analysis is required to determine whether the issue lies in retrieval relevancy or LLM response generation. To debug retrieval relevancy, developers need detailed information on which chunks were stored in vector databases with their associated metadata, how queries were rephrased, which chunks were retrieved, and how those chunks were ranked. Similarly, if an LLM response is incorrect, it is crucial to review the final prompt used for answer generation. For issues with citations, developers must trace back to the original document links and their corresponding chunks. RAGOps/LLMOps and evaluation frameworks, such as Ragas, are critical for providing the necessary automation to enable rapid iteration during accuracy improvement cycles in RAG pipelines.
^h Spanish (es)	'''RAGOps''': El monitoreo efectivo de la salud de las canalizaciones RAG es esencial una vez que se despliegan. Cuando la calidad de las respuestas es deficiente, se requiere un análisis exhaustivo de errores para determinar si el problema radica en la relevancia de la recuperación o en la generación de respuestas del LLM. Para depurar la relevancia de la recuperación, los desarrolladores necesitan información detallada sobre qué fragmentos se almacenaron en bases de datos vectoriales con sus metadatos asociados, cómo se reformularon las consultas, qué fragmentos se recuperaron y cómo se clasificaron esos fragmentos. De manera similar, si una respuesta del LLM es incorrecta, es crucial revisar el aviso final utilizado para la generación de respuestas. Para problemas con las citas, los desarrolladores deben rastrear hasta los enlaces de documentos originales y sus fragmentos correspondientes. RAGOps/LLMOps y los marcos de evaluación, como Ragas, son críticos para proporcionar la automatización necesaria que permita una rápida iteración durante los ciclos de mejora de precisión en las canalizaciones RAG.
^h French (fr)	'''RAGOps''': Une surveillance efficace de la santé des pipelines RAG est essentielle une fois qu'ils sont déployés. Lorsque la qualité des réponses est médiocre, une analyse d'erreur approfondie est nécessaire pour déterminer si le problème réside dans la pertinence de la récupération ou dans la génération de réponses par le LLM. Pour déboguer la pertinence de la récupération, les développeurs ont besoin d'informations détaillées sur les morceaux stockés dans les bases de données vectorielles avec leurs métadonnées associées, comment les requêtes ont été reformulées, quels morceaux ont été récupérés et comment ces morceaux ont été classés. De même, si une réponse du LLM est incorrecte, il est crucial de revoir l'invite finale utilisée pour la génération de la réponse. Pour les problèmes de citations, les développeurs doivent remonter aux liens des documents originaux et à leurs morceaux correspondants. Les cadres RAGOps/LLMOps et d'évaluation, tels que Ragas, sont essentiels pour fournir l'automatisation nécessaire permettant une itération rapide lors des cycles d'amélioration de la précision dans les pipelines RAG.
^h Japanese (ja)	'''RAGOps''': RAGパイプラインが展開された後、効果的な健康監視が不可欠です。回答の質が低い場合、問題が検索の関連性にあるのか、LLMの応答生成にあるのかを判断するために、徹底的なエラー分析が必要です。検索の関連性をデバッグするには、開発者はベクターデータベースに保存されたチャンクとその関連メタデータ、クエリがどのように再構成されたか、どのチャンクが取得されたか、そしてそれらのチャンクがどのようにランク付けされたかについての詳細な情報が必要です。同様に、LLMの応答が間違っている場合、回答生成に使用された最終プロンプトを確認することが重要です。引用に関する問題がある場合、開発者は元のドキュメントリンクとそれに対応するチャンクを追跡する必要があります。RAGOps/LLMOpsおよびRagasのような評価フレームワークは、RAGパイプラインの精度向上サイクル中に迅速な反復を可能にするために必要な自動化を提供するために重要です。
^h Korean (ko)	'''RAGOps''': RAG 파이프라인이 배포된 후에는 효과적인 건강 모니터링이 필수적입니다. 응답 품질이 낮을 경우, 문제의 원인이 검색 관련성에 있는지 LLM 응답 생성에 있는지를 판단하기 위해 철저한 오류 분석이 필요합니다. 검색 관련성을 디버깅하려면, 개발자는 벡터 데이터베이스에 저장된 청크와 그에 관련된 메타데이터, 쿼리가 어떻게 재구성되었는지, 어떤 청크가 검색되었는지, 그리고 그 청크들이 어떻게 순위가 매겨졌는지에 대한 자세한 정보가 필요합니다. 마찬가지로, LLM 응답이 잘못된 경우에는 응답 생성에 사용된 최종 프롬프트를 검토하는 것이 중요합니다. 인용 문제의 경우, 개발자는 원본 문서 링크와 해당 청크로 추적해야 합니다. RAGOps/LLMOps 및 Ragas와 같은 평가 프레임워크는 RAG 파이프라인의 정확성 개선 주기 동안 빠른 반복을 가능하게 하는 데 필요한 자동화를 제공하는 데 중요합니다.
^h Portuguese (pt)	'''RAGOps''': O monitoramento eficaz da saúde dos pipelines RAG é essencial uma vez que eles são implantados. Quando a qualidade das respostas é baixa, uma análise de erros minuciosa é necessária para determinar se o problema está na relevância da recuperação ou na geração de respostas do LLM. Para depurar a relevância da recuperação, os desenvolvedores precisam de informações detalhadas sobre quais fragmentos foram armazenados em bancos de dados vetoriais com seus metadados associados, como as consultas foram reformuladas, quais fragmentos foram recuperados e como esses fragmentos foram classificados. Da mesma forma, se uma resposta do LLM estiver incorreta, é crucial revisar o prompt final usado para a geração da resposta. Para problemas com citações, os desenvolvedores devem rastrear os links dos documentos originais e seus fragmentos correspondentes. RAGOps/LLMOps e frameworks de avaliação, como o Ragas, são críticos para fornecer a automação necessária para permitir iterações rápidas durante os ciclos de melhoria de precisão nos pipelines RAG.
^h Chinese (zh)	RAGOps：一旦 RAG 管道部署后，进行有效的健康监测至关重要。当答案质量较差时，需要进行彻底的错误分析，以确定问题是出在检索相关性还是 LLM 响应生成上。为了调试检索相关性，开发人员需要详细了解哪些数据块存储在向量数据库中及其相关元数据，查询是如何被重新措辞的，哪些数据块被检索到，以及这些数据块是如何被排序的。同样地，如果 LLM 响应不正确，审查用于生成答案的最终提示至关重要。对于引用问题，开发人员必须追溯到原始文档链接及其对应的数据块。RAGOps/LLMOps 和评估框架（如 Ragas）对于提供必要的自动化至关重要，以便在 RAG 管道的准确性改进周期中实现快速迭代。