All translations

Enter a message name below to show all available translations.

Found 8 translations.

Name	Current message text
^h German (de)	In diesem Artikel stellen wir unseren Ansatz zur Entwicklung effektiver RAG-basierter Chatbots vor und heben unsere Erfahrungen beim Bau von drei Chatbots bei NVIDIA hervor. Wir haben unser FACTS-Framework skizziert und die Bedeutung von Inhaltsaktualität (F), Architektur (A), Verwaltung der LLM-Kosten (C), Planung für Tests (T) und Sicherheit (S) bei der Erstellung robuster, sicherer und unternehmensgerechter Chatbots betont. Wir haben auch fünfzehn kritische Kontrollpunkte innerhalb der RAG-Pipelines identifiziert und erläutert und Strategien zur Verbesserung der Chatbot-Leistung in jeder Phase bereitgestellt. Darüber hinaus zeigt unsere empirische Analyse die Kompromisse zwischen Genauigkeit und Latenzzeit beim Vergleich großer und kleiner LLMs auf. Dieser Artikel bietet eine ganzheitliche Perspektive auf die wesentlichen Faktoren und praktischen Lösungen für den Bau sicherer und effizienter unternehmensgerechter Chatbots und leistet einen einzigartigen Beitrag zum Fachgebiet. In mehreren Bereichen ist noch mehr Arbeit erforderlich, um effektive RAG-basierte Chatbots zu entwickeln. Dazu gehört die Entwicklung agentischer Architekturen zur Bearbeitung komplexer, mehrteiliger und analytischer Anfragen; die effiziente Zusammenfassung großer Mengen häufig aktualisierter Unternehmensdaten; die Integration von Auto-ML-Funktionen zur automatischen Optimierung verschiedener RAG-Kontrollpunkte; und die Schaffung robusterer Bewertungsrahmen zur Beurteilung subjektiver Antworten und Gespräche.
^h English (en)	In this paper, we presented our approach to developing effective RAG-based chatbots, highlighting our experiences of building three chatbots at NVIDIA. We outlined our FACTS framework, emphasizing the importance of content freshness (F), architecture (A), LLM cost (C) management, planning for testing (T), and security (S) in creating robust, secure, and enterprise-grade chatbots. We also identified and elaborated on fifteen critical control points within RAG pipelines, providing strategies to enhance chatbot performance at each stage. Furthermore, our empirical analysis reveals the trade-offs between accuracy and latency when comparing large and small LLMs. This paper offers a holistic perspective on the essential factors and practical solutions for building secure and efficient enterprise-grade chatbots, making a unique contribution to the field. More work is needed in several areas to build effective RAG-based chatbots. This includes developing agentic architectures for handling complex, multi-part, and analytical queries; efficiently summarizing large volumes of frequently updated enterprise data; incorporating auto-ML capabilities to optimize various RAG control points automatically; and creating more robust evaluation frameworks for assessing subjective responses and conversations.
^h Spanish (es)	En este documento, presentamos nuestro enfoque para desarrollar chatbots efectivos basados en RAG, destacando nuestras experiencias al construir tres chatbots en NVIDIA. Describimos nuestro marco FACTS, enfatizando la importancia de la frescura del contenido (F), la arquitectura (A), la gestión de costos de LLM (C), la planificación para pruebas (T) y la seguridad (S) en la creación de chatbots robustos, seguros y de nivel empresarial. También identificamos y elaboramos sobre quince puntos de control críticos dentro de las canalizaciones RAG, proporcionando estrategias para mejorar el rendimiento del chatbot en cada etapa. Además, nuestro análisis empírico revela las compensaciones entre precisión y latencia al comparar LLM grandes y pequeños. Este documento ofrece una perspectiva holística sobre los factores esenciales y las soluciones prácticas para construir chatbots seguros y eficientes de nivel empresarial, haciendo una contribución única al campo. Se necesita más trabajo en varias áreas para construir chatbots efectivos basados en RAG. Esto incluye desarrollar arquitecturas agénticas para manejar consultas complejas, multipartes y analíticas; resumir eficientemente grandes volúmenes de datos empresariales que se actualizan con frecuencia; incorporar capacidades de auto-ML para optimizar automáticamente varios puntos de control RAG; y crear marcos de evaluación más robustos para evaluar respuestas y conversaciones subjetivas.
^h French (fr)	Dans cet article, nous avons présenté notre approche pour développer des chatbots efficaces basés sur RAG, en mettant en avant nos expériences de construction de trois chatbots chez NVIDIA. Nous avons décrit notre cadre FACTS, en soulignant l'importance de la fraîcheur du contenu (F), de l'architecture (A), de la gestion des coûts des LLM (C), de la planification des tests (T) et de la sécurité (S) pour créer des chatbots robustes, sécurisés et de qualité entreprise. Nous avons également identifié et élaboré quinze points de contrôle critiques au sein des pipelines RAG, en fournissant des stratégies pour améliorer les performances des chatbots à chaque étape. De plus, notre analyse empirique révèle les compromis entre précision et latence lors de la comparaison entre les grands et les petits LLM. Cet article offre une perspective holistique sur les facteurs essentiels et les solutions pratiques pour construire des chatbots sécurisés et efficaces de qualité entreprise, apportant une contribution unique au domaine. Davantage de travail est nécessaire dans plusieurs domaines pour construire des chatbots efficaces basés sur RAG. Cela inclut le développement d'architectures agentiques pour gérer des requêtes complexes, multipartites et analytiques ; résumer efficacement de grands volumes de données d'entreprise fréquemment mises à jour ; incorporer des capacités d'auto-ML pour optimiser automatiquement divers points de contrôle RAG ; et créer des cadres d'évaluation plus robustes pour évaluer les réponses subjectives et les conversations.
^h Japanese (ja)	この論文では、NVIDIAで3つのチャットボットを構築した経験を強調しながら、効果的なRAGベースのチャットボットを開発するためのアプローチを紹介しました。私たちは、コンテンツの新鮮さ（F）、アーキテクチャ（A）、LLMコスト（C）の管理、テストの計画（T）、およびセキュリティ（S）の重要性を強調し、堅牢で安全なエンタープライズグレードのチャットボットを作成するためのFACTSフレームワークを概説しました。また、RAGパイプライン内の15の重要な制御ポイントを特定し、それぞれの段階でチャットボットのパフォーマンスを向上させるための戦略を提供しました。さらに、私たちの実証分析は、大規模なLLMと小規模なLLMを比較した際の精度と遅延のトレードオフを明らかにしています。この論文は、安全で効率的なエンタープライズグレードのチャットボットを構築するための重要な要素と実践的な解決策についての包括的な視点を提供し、この分野に独自の貢献をしています。効果的なRAGベースのチャットボットを構築するためには、いくつかの分野でさらなる作業が必要です。これには、複雑で多部にわたる分析的なクエリを処理するためのエージェントアーキテクチャの開発、頻繁に更新される大量のエンタープライズデータを効率的に要約すること、自動ML機能を組み込んでさまざまなRAG制御ポイントを自動的に最適化すること、主観的な応答や会話を評価するためのより堅牢な評価フレームワークの作成が含まれます。
^h Korean (ko)	이 논문에서는 NVIDIA에서 세 개의 챗봇을 구축한 경험을 강조하며 효과적인 RAG 기반 챗봇 개발 접근 방식을 제시했습니다. 우리는 콘텐츠 신선도(F), 아키텍처(A), LLM 비용(C) 관리, 테스트 계획(T), 보안(S)의 중요성을 강조하는 FACTS 프레임워크를 설명했습니다. 또한 RAG 파이프라인 내에서 15개의 중요한 제어 지점을 식별하고 각 단계에서 챗봇 성능을 향상시키기 위한 전략을 제공했습니다. 더 나아가, 우리의 실증 분석은 대형 및 소형 LLM을 비교할 때 정확성과 지연 시간 간의 절충점을 드러냅니다. 이 논문은 안전하고 효율적인 엔터프라이즈급 챗봇을 구축하기 위한 필수 요소와 실용적인 솔루션에 대한 전체적인 관점을 제공하며, 이 분야에 독특한 기여를 합니다. 효과적인 RAG 기반 챗봇을 구축하기 위해서는 여러 분야에서 더 많은 작업이 필요합니다. 여기에는 복잡하고 다중 파트 및 분석 쿼리를 처리하기 위한 에이전트 아키텍처 개발, 자주 업데이트되는 대량의 엔터프라이즈 데이터를 효율적으로 요약하는 것, 다양한 RAG 제어 지점을 자동으로 최적화하기 위한 자동 ML 기능 통합, 주관적인 응답 및 대화를 평가하기 위한 보다 견고한 평가 프레임워크 생성이 포함됩니다.
^h Portuguese (pt)	Neste artigo, apresentamos nossa abordagem para desenvolver chatbots eficazes baseados em RAG, destacando nossas experiências na construção de três chatbots na NVIDIA. Descrevemos nosso framework FACTS, enfatizando a importância da atualização de conteúdo (F), arquitetura (A), gestão de custos de LLM (C), planejamento para testes (T) e segurança (S) na criação de chatbots robustos, seguros e de nível empresarial. Também identificamos e elaboramos quinze pontos de controle críticos dentro das pipelines RAG, fornecendo estratégias para melhorar o desempenho dos chatbots em cada etapa. Além disso, nossa análise empírica revela os trade-offs entre precisão e latência ao comparar LLMs grandes e pequenos. Este artigo oferece uma perspectiva holística sobre os fatores essenciais e soluções práticas para construir chatbots seguros e eficientes de nível empresarial, fazendo uma contribuição única para o campo. Mais trabalho é necessário em várias áreas para construir chatbots eficazes baseados em RAG. Isso inclui desenvolver arquiteturas agenticas para lidar com consultas complexas, multipartes e analíticas; resumir eficientemente grandes volumes de dados empresariais frequentemente atualizados; incorporar capacidades de auto-ML para otimizar automaticamente vários pontos de controle RAG; e criar frameworks de avaliação mais robustos para avaliar respostas e conversas subjetivas.
^h Chinese (zh)	在本文中，我们介绍了开发有效的基于RAG的聊天机器人的方法，重点介绍了我们在NVIDIA构建三个聊天机器人的经验。我们概述了我们的FACTS框架，强调了内容新鲜度（F）、架构（A）、LLM成本（C）管理、测试计划（T）和安全性（S）在创建稳健、安全和企业级聊天机器人中的重要性。我们还识别并详细说明了RAG管道中的十五个关键控制点，提供了在每个阶段增强聊天机器人性能的策略。此外，我们的实证分析揭示了在比较大型和小型LLM时准确性和延迟之间的权衡。本文提供了关于构建安全高效的企业级聊天机器人的基本因素和实用解决方案的整体视角，为该领域做出了独特贡献。在多个领域仍需进行更多工作以构建有效的基于RAG的聊天机器人。这包括开发用于处理复杂、多部分和分析查询的代理架构；高效总结大量频繁更新的企业数据；结合自动机器学习功能以自动优化各种RAG控制点；以及创建更稳健的评估框架以评估主观响应和对话。