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

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.