Merge pull request #461 from behrends/added_youtube_videos
added youtube videos (German translation)pull/459/merge
commit
cecc20437a
@ -0,0 +1,21 @@
|
|||||||
|
# Reduzierung von Halluzinationen in strukturierten Ausgaben durch RAG
|
||||||
|
|
||||||
|
import {Bleed} from 'nextra-theme-docs'
|
||||||
|
|
||||||
|
<Bleed>
|
||||||
|
<iframe width="100%"
|
||||||
|
height="415px"
|
||||||
|
src="https://www.youtube.com/embed/TUL5guqZejw?si=Doc7lzyAY-SKr21L" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture"
|
||||||
|
allowFullScreen
|
||||||
|
/>
|
||||||
|
</Bleed>
|
||||||
|
|
||||||
|
Forscher bei ServiceNow haben ein [neues Paper](https://arxiv.org/abs/2404.08189) veröffentlicht, in dem sie diskutieren, wie ein effizientes RAG-System für strukturierte Ausgabeaufgaben eingesetzt werden kann.
|
||||||
|
|
||||||
|
!["RAG Halluzination"](../../img/research/structured_outputs.png)
|
||||||
|
|
||||||
|
Das RAG-System kombiniert ein kleines Sprachmodell mit einem sehr kleinen Retriever. Es zeigt, dass RAG den Einsatz leistungsfähiger LLM-basierter Systeme in Ressourcen-begrenzten Einstellungen ermöglichen kann, während Probleme wie Halluzinationen verringert und die Zuverlässigkeit der Ausgaben erhöht werden.
|
||||||
|
|
||||||
|
Das Paper behandelt die sehr nützliche unternehmensbezogene Anwendung der Übersetzung von natürlichsprachlichen Anforderungen in Workflows (formatiert in JSON). Aus dieser Aufgabe kann viel Produktivität gewonnen werden, aber es gibt noch viel Optimierungspotenzial (z.B. durch den Einsatz von spekulativem Decoding oder die Verwendung von YAML statt JSON).
|
||||||
|
|
||||||
|
Das Paper bietet einige großartige Einblicke und praktische Tipps, wie man RAG-Systeme effektiv für die reale Welt entwickeln kann.
|
@ -0,0 +1,21 @@
|
|||||||
|
# Best Practices und gewonnene Erkenntnisse über synthetische Daten für Sprachmodelle
|
||||||
|
|
||||||
|
import {Bleed} from 'nextra-theme-docs'
|
||||||
|
|
||||||
|
<Bleed>
|
||||||
|
<iframe width="100%"
|
||||||
|
height="415px"
|
||||||
|
src="https://www.youtube.com/embed/YnlArBZJHY8?si=ZH3hFzwixUopxU5Z" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture"
|
||||||
|
allowFullScreen
|
||||||
|
/>
|
||||||
|
</Bleed>
|
||||||
|
|
||||||
|
Dieses [Paper](https://arxiv.org/abs/2404.07503) bietet einen Überblick über bewährte Praktiken und gewonnene Erkenntnisse bezüglich synthetischer Daten für Sprachmodelle und wurde von Google DeepMind und weiteren Mitarbeitern veröffentlicht.
|
||||||
|
|
||||||
|
Es konzentriert sich auf synthetische Daten und behandelt Anwendungen, Herausforderungen und zukünftige Richtungen. Dies ist ein wichtiges Dokument, angesichts der bedeutenden Fortschritte, die wir durch den Einsatz von synthetischen Daten im Bereich der KI beobachten.
|
||||||
|
|
||||||
|
Wir wissen mit Sicherheit, dass je mehr hochwertige Daten wir diesen Modellen zur Verfügung stellen, desto besser ist die Leistung. Synthetische Daten zu erstellen ist nicht schwer, aber deren Qualität sicherzustellen, stellt wirklich eine Herausforderung dar.
|
||||||
|
|
||||||
|
Das Paper behandelt auch wichtige Themen im Umgang mit synthetischen Daten wie Qualitätssicherung, Faktentreue, Treue, Unvoreingenommenheit, Vertrauenswürdigkeit, Privatsphäre und mehr.
|
||||||
|
|
||||||
|
Im Abschnitt zu verwandten Arbeiten werden auch viele großartige Referenzen erwähnt.
|
Loading…
Reference in New Issue