All translations

Enter a message name below to show all available translations.

Found 8 translations.

Name	Current message text
^h German (de)	Die Veröffentlichung von Chat-GPT, das Aufkommen von Vektordatenbanken und die weit verbreitete Nutzung von Retrieval Augmented Generation (RAGs) ([[#bib.bib8\|8]]) markierten den Beginn einer neuen Ära im Chatbot-Bereich. Jetzt können LLMs Benutzerabsichten mit einfachen Eingabeaufforderungen in natürlicher Sprache verstehen, wodurch die Notwendigkeit für komplexes Training von Intent-Varianten entfällt, Unternehmensinhalte kohärent synthetisieren und Chatbots mit einer Gesprächsfähigkeit jenseits der skriptgesteuerten Intent-Erkennung ausstatten. Während LLMs ihre generativen Fähigkeiten nutzen, um kohärente, faktische und logische Antworten auf Benutzeranfragen zu konstruieren, erweitern informationsabrufende (IR) Systeme, die auf Vektordatenbanken basieren, die Fähigkeit von LLMs, aktuelle Inhalte abzurufen. Tools wie LangChain ([[#bib.bib1\|1]]) und Llamaindex ([[#bib.bib9\|9]]) erleichtern den Chatbot-Aufbau und die Orchestrierung komplexer Workflows, einschließlich Speicher, Agenten, Eingabeaufforderungsvorlagen und Gesamtfluss. Zusammen bilden auf Vektorsuche basierende IR-Systeme, LLMs und LangChain-ähnliche Frameworks die Kernkomponenten einer RAG-Pipeline und treiben generative KI-Chatbots in der Post-Chat-GPT-Ära an.
^h English (en)	Chat-GPT’s release, the emergence of vector databases, and the widespread use of retrieval augmented generation (RAGs) ([[#bib.bib8\|8]]) marked the beginning of a new era in the Chatbot domain. Now, LLMs can understand user intents with simple prompts in natural language, eliminating the need for complex intent variant training, synthesize enterprise content coherently, thereby empowering chatbots with conversational capability beyond scripted intent recognition. While LLMs bring their generative capabilities to construct coherent, factual, and logical responses to user queries, vector database-powered information retrieval (IR) systems augment LLMs ability to retrieve fresh content. Tools like LangChain ([[#bib.bib1\|1]]) and Llamaindex ([[#bib.bib9\|9]]) facilitate chatbot construction, and orchestration of complex workflows including memory, agents, prompt templates, and overall flow. Together, vector-search based IR systems, LLMs, and LangChain-like frameworks form core components of a RAG pipeline and are powering generative AI chatbots in the post Chat-GPT era.
^h Spanish (es)	El lanzamiento de Chat-GPT, la aparición de bases de datos vectoriales y el uso generalizado de la generación aumentada por recuperación (RAGs) ([[#bib.bib8\|8]]) marcaron el comienzo de una nueva era en el dominio de los chatbots. Ahora, los LLMs pueden entender las intenciones de los usuarios con simples indicaciones en lenguaje natural, eliminando la necesidad de un entrenamiento complejo de variantes de intención, sintetizar contenido empresarial de manera coherente, empoderando así a los chatbots con una capacidad conversacional más allá del reconocimiento de intenciones predefinidas. Mientras que los LLMs aportan sus capacidades generativas para construir respuestas coherentes, factuales y lógicas a las consultas de los usuarios, los sistemas de recuperación de información (IR) potenciados por bases de datos vectoriales aumentan la capacidad de los LLMs para recuperar contenido fresco. Herramientas como LangChain ([[#bib.bib1\|1]]) y Llamaindex ([[#bib.bib9\|9]]) facilitan la construcción de chatbots y la orquestación de flujos de trabajo complejos que incluyen memoria, agentes, plantillas de indicaciones y flujo general. Juntos, los sistemas de IR basados en búsqueda vectorial, los LLMs y los marcos como LangChain forman componentes centrales de una canalización RAG y están impulsando chatbots de IA generativa en la era posterior a Chat-GPT.
^h French (fr)	La sortie de Chat-GPT, l'émergence des bases de données vectorielles et l'utilisation généralisée de la génération augmentée par récupération (RAGs) ([[#bib.bib8\|8]]) ont marqué le début d'une nouvelle ère dans le domaine des chatbots. Désormais, les LLMs peuvent comprendre les intentions des utilisateurs avec des invites simples en langage naturel, éliminant ainsi le besoin d'une formation complexe sur les variantes d'intention, synthétiser le contenu d'entreprise de manière cohérente, dotant ainsi les chatbots de capacités conversationnelles au-delà de la reconnaissance d'intentions scriptées. Alors que les LLMs apportent leurs capacités génératives pour construire des réponses cohérentes, factuelles et logiques aux requêtes des utilisateurs, les systèmes de récupération d'information (IR) alimentés par des bases de données vectorielles augmentent la capacité des LLMs à récupérer du contenu frais. Des outils comme LangChain ([[#bib.bib1\|1]]) et Llamaindex ([[#bib.bib9\|9]]) facilitent la construction de chatbots et l'orchestration de flux de travail complexes incluant la mémoire, les agents, les modèles d'invite et le flux global. Ensemble, les systèmes IR basés sur la recherche vectorielle, les LLMs et les frameworks de type LangChain forment des composants essentiels d'un pipeline RAG et alimentent les chatbots d'IA générative dans l'ère post Chat-GPT.
^h Japanese (ja)	Chat-GPTのリリース、ベクターデータベースの出現、そして検索強化生成（RAGs）の広範な利用（[[#bib.bib8\|8]]）は、チャットボット領域における新しい時代の始まりを示しました。現在、LLMは自然言語のシンプルなプロンプトでユーザーの意図を理解し、複雑な意図バリアントのトレーニングを必要とせずに、企業コンテンツを一貫して合成し、スクリプト化された意図認識を超えた会話能力をチャットボットに提供します。LLMは、ユーザーの質問に対して一貫した、事実に基づいた、論理的な応答を生成する能力を持ち、ベクターデータベースを活用した情報検索（IR）システムは、LLMの新しいコンテンツを取得する能力を強化します。LangChain（[[#bib.bib1\|1]]）やLlamaindex（[[#bib.bib9\|9]]）のようなツールは、チャットボットの構築を容易にし、メモリ、エージェント、プロンプトテンプレート、全体のフローを含む複雑なワークフローのオーケストレーションを可能にします。ベクトル検索ベースのIRシステム、LLM、LangChainのようなフレームワークがRAGパイプラインのコアコンポーネントを形成し、Chat-GPT後の時代における生成AIチャットボットを支えています。
^h Korean (ko)	Chat-GPT의 출시, 벡터 데이터베이스의 출현, 그리고 검색 증강 생성(RAGs)의 광범위한 사용은 챗봇 분야의 새로운 시대의 시작을 알렸습니다. 이제 LLMs는 자연어로 된 간단한 프롬프트로 사용자 의도를 이해할 수 있어 복잡한 의도 변형 훈련의 필요성을 없애고, 기업 콘텐츠를 일관되게 합성하여 스크립트된 의도 인식을 넘어선 대화 능력을 챗봇에 부여합니다. LLMs는 사용자 쿼리에 대한 일관되고 사실적이며 논리적인 응답을 생성하는 능력을 제공하는 반면, 벡터 데이터베이스 기반 정보 검색(IR) 시스템은 LLMs의 신선한 콘텐츠 검색 능력을 증강합니다. LangChain([[#bib.bib1\|1]])과 Llamaindex([[#bib.bib9\|9]])와 같은 도구는 챗봇 구축을 용이하게 하고, 메모리, 에이전트, 프롬프트 템플릿 및 전체 흐름을 포함한 복잡한 워크플로우의 조정을 지원합니다. 벡터 검색 기반 IR 시스템, LLMs, LangChain과 같은 프레임워크는 RAG 파이프라인의 핵심 구성 요소를 형성하며, Chat-GPT 이후 시대의 생성 AI 챗봇을 지원하고 있습니다.
^h Portuguese (pt)	O lançamento do Chat-GPT, o surgimento de bancos de dados vetoriais e o uso generalizado de geração aumentada por recuperação (RAGs) ([[#bib.bib8\|8]]) marcaram o início de uma nova era no domínio dos Chatbots. Agora, os LLMs podem entender as intenções dos usuários com prompts simples em linguagem natural, eliminando a necessidade de treinamento complexo de variantes de intenção, sintetizar conteúdo empresarial de forma coerente, capacitando assim os chatbots com capacidade de conversação além do reconhecimento de intenções roteirizadas. Enquanto os LLMs trazem suas capacidades generativas para construir respostas coerentes, factuais e lógicas às consultas dos usuários, os sistemas de recuperação de informações (IR) alimentados por bancos de dados vetoriais aumentam a capacidade dos LLMs de recuperar conteúdo atualizado. Ferramentas como LangChain ([[#bib.bib1\|1]]) e Llamaindex ([[#bib.bib9\|9]]) facilitam a construção de chatbots e a orquestração de fluxos de trabalho complexos, incluindo memória, agentes, modelos de prompts e fluxo geral. Juntos, os sistemas de IR baseados em busca vetorial, LLMs e frameworks como LangChain formam componentes centrais de um pipeline RAG e estão impulsionando chatbots de IA generativa na era pós-Chat-GPT.
^h Chinese (zh)	Chat-GPT 的发布、向量数据库的出现以及检索增强生成（RAGs）的广泛使用（[[#bib.bib8\|8]]）标志着聊天机器人领域新时代的开始。现在，大型语言模型（LLMs）可以通过自然语言中的简单提示理解用户意图，消除了复杂意图变体训练的需求，能够连贯地合成企业内容，从而赋予聊天机器人超越脚本化意图识别的对话能力。虽然 LLMs 通过其生成能力构建连贯、真实和逻辑的用户查询响应，但由向量数据库驱动的信息检索（IR）系统增强了 LLMs 检索新鲜内容的能力。像 LangChain（[[#bib.bib1\|1]]）和 Llamaindex（[[#bib.bib9\|9]]）这样的工具促进了聊天机器人的构建，并协调包括记忆、代理、提示模板和整体流程在内的复杂工作流。向量搜索为基础的 IR 系统、LLMs 和类似 LangChain 的框架共同构成了 RAG 管道的核心组件，并在后 Chat-GPT 时代推动了生成式 AI 聊天机器人的发展。