企业天生式 AI 应用的架构模式：DSFT、RAG、RAFT 和 GraphRAG
企业架构是 it 系统的焦点 ，为实现组织目的提供基础构建块。最佳模式可资助架构团队概述架构模式和通用框架 ，简化工程团队的事情。关于构建天生式 ai 应用程序 ，有四个常见架构模式：领域特定微调 (dsft)：用于组织数据培训 llm ，爆发高质量且特定领域的内容。检索增强天生 (rag)：经济且高效 ，可用于构建 gen ai 应用程序 ，凭证组织数据天生内容。检索增强微调 (ra-ft)：团结 rag 和微调要领 ，提高 llm 从语义上相关和不相关文档中选择内容的能力。知识图谱/rag 图谱：将知识图谱数据库集成到 rag 系统中 ，增强 llm 的上下文明确和推理能力。
最佳设计的企业架构是任何组织 IT 系统的支柱 ，它支持实现组织营业目的的基础构建块。架构包括最佳实践、明确概述的战略、通用框架和指导目的 ，供工程团队和其他利益相关者选择准确的工具来完成使命。企业架构主要由支持营业线的架构团队治理。在大大都组织中 ，架构团队认真概述架构模式和通用框架 ，这将有助于工程和产品团队不必破费数小时的精神举行看法验证 ，而是资助他们接纳基于模式设计焦点构建块的战略。
由于天生式 AI正在改变整个名堂 ，大大都组织要么正在构建基于天生式 AI 的应用程序 ，要么正在将天生式 AI 的功效或特征集成到其现有应用程序或产品中。在本文中 ，我们将深入探讨可用于构建天生式 AI 解决计划的常见架构模式。我们还将讨论种种企业级战略 ，以便为准确的用例选择准确的框架。
模式 1：领域特定微调（DSFT）
大型语言模子 (LLM)在企业天生式 AI 架构中饰演着主要的构建块。LLM 认真凭证其接受的训练和所掌握的知识天生奇异的内容。可是 ，OpenAI、Microsoft 或开源社区等供应商提供的 LLM 缺乏企业数据知识。有时在组织中 ，他们有自己的标准和原则 ，在天生内容时也应遵照这些标准和原则。
为相识决此领域的用例 ，微调是我们可以使用的战略之一。微调涉及在较小的专业数据集上进一步训练预先训练的 LLM ，该数据集经由全心挑选 ，具有企业奇异的数据、标准和原则。此历程有助于定制模子的输出 ，使其更切合组织的要求 ，从而提高其在企业情形中的适用性和有用性。
什么是特定领域微调？
正如适才所述 ，微调大型语言模子 (LLM) 涉及调解预先训练的语言模子 ，使其在特定使命或领域体现更好。这是通过使用由成对数据组成的较小、专门的数据集进一步训练模子来实现的。这些成对数据是显示所需行为或输出的示例。
在微调历程中 ，模子的参数会举行更新 ，这有助于缩小预训练模子的一样平常能力与使命的特定需求之间的差别。此历程可提高模子的性能 ，使其越发准确并切合人类对给定使命的期望。
DSFT 模式可作为最佳候选的用例
在组织追求更专业和更特定领域的内容天生时 ，微调会施展精彩作用。若是用例要求在天生内容时遵照特定的标准和气概 ，那么“微调”就是工具箱中的绝佳工具。
例如 ，假设客户效劳部分想要开发一个自动化事情流解决计划来取代手动流程。在手动流程中 ，现场客户效劳署理将回复其客户或潜在客户对其产品或效劳的盘问。现在 ，现场客户效劳署剖析回复客户或潜在客户对产品或效劳的询问。署理需要相识客户电子邮件的意图和寄义 ，做一些研究 ，然后在回复时遵照公司指南。这个历程通常需要署理 2 到 3 个小时 ，并且组织会收到大宗询问其产品的客户电子邮件。
通过微调 ，组织可以训练 AI 模子 ，使其能够凭证公司的标准和准则自动明确和响应这些询问。这可以节约大宗时间 ，并确保响应一致且准确。
微调通常分为以下几种：
监视微调（SFT）
通过人类反响举行强化学习（RLHF）
参数有用微调（PEFT）
低秩自顺应（LoRA）
量化低秩自顺应（QLoRA）
企业战略微调模式
若是我们妄想使用这种模式来构建下一个天生式 AI 应用程序 ，那么唯一的缺陷是 ，只管这种模式可以爆发险些完善和高质量的输出 ，但它是一种耗时且腾贵的模式。它很耗时 ，由于需要使用上述任何一种要领重新训练 LLM ，这需要准备数据集、训练语料库和人工标注员。若是组织的数据是动态的并且经常更新 ，那么这种模式是不可取的 ，由于每次数据爆发转变时 ，LLM 都需要重新训练 ，这将成为一个腾贵的解决计划。若是数据实质上不是很动态 ，并且我们希望 LLM 爆发高质量的特定领域输出 ，那么微调是最好的要领。
模式2：RAG（检索增强天生）
RAG 或检索增强天生是险些所有企业天生式 AI 开发中使用的盛行模式之一 ，由于这是最具本钱效益的模式之一 ，可为构建 Gen AI 应用程序节约大宗开发事情。 RAG 的基本结构可以归纳综合如下：
R —— （R）凭证相似性搜索算法检索上下文。
A – （A）增强检索到的上下文以及 LLM 的指令（提醒工程） ，说明凭证我们提供的上下文天生什么内容。
G – LLM 将凭证上下文和指令（提醒工程）天生内容并将天生的响应发送给用户。
在 RAG 模式中 ，我们集成了一个可以存储和索引嵌入（数字内容的数字体现）的矢量数据库。我们使用种种搜索算法（如 HNSW 或 IVF）来检索前k个效果 ，然后将其用作输入上下文。搜索是通过将用户的盘问转换为嵌入来执行的。前k 个效果被添加到一个结构优异的提醒中 ，该提醒指导 LLM 天生什么以及它应该遵照的办法 ，以及它应该思量哪些上下文或数据。
一旦 LLM 凭证提醒和输入上下文天生内容 ，它就会经由脏话检查（可。┗蛏蠛瞬。然后 ，经由验证的响应将以人类可明确的名堂泛起给用户。
“RAG”模式最适合的用例
当我们需要 LLM 凭证组织特定命据天生内容时 ，RAG 是一种易于构建且经济高效的解决计划。由于 LLM 未使用组织的私有数据举行训练 ，并且训练需要大宗时间 ，因此我们使用 RAG 模式构建 Gen AI 应用程序。
基于人工智能的智能企业搜索、虚拟助手或谈天机械人可以资助客户明确重大的文档、人力资源谈天机械人、推荐引擎以及需要快速相识程序以更好地协助客户的客户效劳署理 ，这些都是 RAG 的完善用例。
一些盛行的基于企业的用例是：
通过员工培训和入职培训为人力资源提供支持： RAG 模式可用于构建人力资源支持应用程序 ，该应用程序将提供定制的培训质料并回覆特定问题 ，以增进顺遂的入职流程 ，从而让人力资源部分有时间专注于其他领域。
医疗保健行业：基于 RAG 的天生式 AI 应用程序可以为医疗专业职员提供有关种种治疗计划和医学研究的信息 ，以便更好地照顾护士患者。
企业知识挖掘和治理系统： RAG 可用于构建产品 ，资助员工从重大的内部内容存储库中查找和检索相关的组织特定信息。
销售和营销应用： 使用 RAG ，可以轻松构建个性化的产品推荐并天生营销运动或产品相关数据的内容。
手艺支持应用程序： 基于 Gen-AI 的应用程序可以总结故障扫除办法和相关手艺文档 ，以便客户效劳署理更快地解决问题。
RAG 的企业战略
当数据源实质上是动态的（这意味着我们期望数据经常更新）时 ，RAG（检索增强天生）是一种理想的解决计划。RAG 在数据经常转变的情形中体现更好 ，由于它允许实时更新并确保检索到的信息始终与转变同步。使用 RAG ，每次更新数据源时 ，矢量数据库中的嵌入也必需在数据提取时代更新 ，以准确反应这些转变。
大大都企业 RAG 应用程序在其架构中具有以下两个主要事情流程：
1. 数据处置惩罚和提取
此事情流程涉及以嵌入的形式将源数据提取、转换和加载 (ETL) 到矢量数据库中。当添加新数据或修改现有数据时 ，系统会处置惩罚这些更改 ，天生新嵌入并更新矢量数据库。这可确保GA黄金甲矢量数据库与最新信息坚持同步。只要数据源爆发转变 ，就会触发此事情流程。这使 AI 系统能够快速顺应新信息或现有信息的转变。
2. 通过相似性搜索举行检索
在此事情流程中 ，当收到用户盘问时 ，系统会将盘问转换为嵌入 ，并凭证 ANN、KNN 或其他算法针对更新的向量数据库执行相似性搜索。检索前k 个效果并将其用作使用 LLM 天生响应的上下文。这可确保所提供的信息具有相关性且基于最新数据。
当数据源爆发任何转变时 ，只会触发数据处置惩罚和摄取事情流 ，从而同步转变并更新矢量数据库。通过在 RAG 架构中实现转变检测机制 ，系统可以无缝同步更新。这确保检索历程始终使用最新数据 ，而无需彻底磨练整个系统。
RAG 模式为企业带来了重大利益 ，由于它将数据同步与数据检索脱离。这种疏散意味着可以高效处置惩罚数据源的更新 ，而不会中止检索历程 ，并且不会对用户造成任何；奔。这种？榛芄鼓Ｊ骄哂锌衫┱剐院臀扌靶。这使得它更容易顺应一直增添的数据量和一直转变的需求。
这种要领不但经济高效 ，并且可以缩短构建时间 ，因此关于需要从动态数据源获取最新和准确信息的企业来说 ，这是一种有用的选择。这种架构模式可资助工程和产品团队快速集成新数据并将其同步到 AI 系统。因此 ，关于频仍转变的数据源 ，始终建议接纳基于 RAG 的要领 ，而不是微调要领来提供决媾和运营效率可能需要的实时和相关信息。
模式3：RA-FT（检索增强-微调）
RA-FT 已获得 Meta、微软和加州大学伯克利分校研究职员的鼎力大举推广。该团队最近揭晓的一篇论文提出了一种新框架 ，以解决通用 RAG 框架和领域特定微调 (DSFT) 要领的局限性。
为相识释该框架 ，研究职员将 RAG 要领与“开卷考试”举行了较量 ，将 Fine Tuning 与“闭卷考试”举行了较量。
RAG 的局限性
在 RAG 中 ，上下文是通过对索引举行基于向量的相似性搜索形成的。此搜索可能会带来语义上靠近盘问但纷歧定有意义的文档（或块） ，导致 LLM 难以天生连贯且有意义的谜底。LLM 不知道哪些文档真正相关 ，哪些文档具有误导性。纵然这些“滋扰性”文档不是合理谜底的优异泉源 ，它们也可能包括在 LLM 的上下文中。
DSFT 的局限性
研究职员还以为 ，接纳 DSFT 要领 ，LLM 只能局限于它所训练的内容。它可以举行推测 ，甚至给蜕化误谜底 ，由于它无法从外部泉源获取准确信息。
RA-FT 怎样解决 DSFT 和 RAG 模式的局限性？
为相识决 DSFT 和基本 RAG 的局限性 ，RA-FT 框架以一种新的方法团结了 RAG 和微调要领。在 RA-FT 要领中 ，LLM 经由训练 ，变得足够智能 ，可以从使用相似性搜索作为检索历程的一部分天生的上下文中挑选出最有用和最相关的文档。
使用 RA-FT ，当模子被付与一个问题和一批检索到的文档时 ，它会被教育忽略那些对回覆问题没有资助的文档。由于在微调历程中举行了训练 ，LLM 学会了怎样识别“滋扰”文档 ，并仅使用有用和非滋扰文档（或块）来为用户的盘问天生连贯的谜底。
在 RA-FT 中 ，训练数据经由准备 ，每个数据点都包括一个问题、一组上下文相关的文档以及响应的思绪式谜底。RA-FT 将微调与由问答对组成的训练集相团结 ，使用模拟不完善检索场景中的文档。这种要领有用地为 LLM 做好了开卷考试的准备。RA-FT 是一种调解 LLM 的要领 ，使其能够从相关和不相关的文档组合中读取和得出解决计划。
RA-FT模式的企业战略
由于 RAFT 包括 RAG 和微调要领 ，因此本钱甚至高于 DSFT 要领。可是 ，效果令人印象深刻 ，这意味着该手艺适用于提供高质量输出以及扎实数据和泉源是基本要求的用例。当您可能希望从向量相似性搜索中获得混淆效果（既有相关文档/块也有滋扰文档/块）并且您不想凭证滋扰文档/块或无用文档/块天生或制订 LLM 响应时 ，此要领将爆发最佳效果。关于受到严酷羁系的行业 ，将此解决计划整合到现有的 Gen AI 生态系统中将是有益的。
模式4：知识图谱/RAG图谱
如您所知 ，基本 RAG 和基于 RAFT 的要领都严重依赖于底层向量数据库和种种相似性算法（A-NN 或 K-NN） ，它们用于检索分块数据集 ，以用作 LLM 制订响应的上下文。然而 ，这种要领最大的问题是 ，当一个具有上下文意义的大段落被分成小块时 ，它会失去内在寄义和关系。因此 ，在执行相似性搜索时 ，它只会凭证相关性选择文档（或块）中单词相互靠近的效果集。通用 RAG 要领主要依赖于基于向量的检索 ，在为用户天生响应时面临着一些限制 ，例如缺乏深度上下文明确和重大的推理能力。
为相识决这一缺乏 ，知识图谱数据库已成为另一个不可或缺的组件 ，可以插入现有的 RAG 系统 ，以便您的天生式 AI 应用程序在资助用户回覆问题的同时变得越发智能。这种手艺称为 GraphRAG ，其中一种称为知识图谱数据库的差别类型的数据库被添加到系统中 ，当 RAG 的相似性搜索未爆发准确响应时 ，它有助于凭证外部域特定命据协助天生内容。
GraphRAG 怎样事情？
GraphRAG 是一种高级 RAG 要领 ，它使用图形数据库来检索特定使命的信息。与将结构化数据存储在具有行和列的表中的古板关系数据库差别 ，图形数据库使用节点、边和属性来体现和存储数据。此要领提供了一种更直观、更高效的方法来建模、审查和盘问重大系统。GraphRAG 使用基于 LLM 构建的知识图谱毗连内容中的看法和实体。
摄取流程
GraphRAG 使用大型语言模子 (LLM) 从一组文本文档中自动天生详细的知识图谱。此知识图谱通过识别和毗连相关看法来捕获数据的寄义和结构。在索引流程中 ，系统使用 LLM 从细粒度文本单位中提取所有实体、关系和要害声明。
它还可以检测亲近相枢纽点的“社区”或“集群” ，并将它们组织到差别的细节条理。这有助于明确数据的整体语义结构。
这些基于社区的摘要提供了整个数据集的周全概述和整篇文章的整体情形。这使系统能够解决较简朴的检索增强天生 (RAG) 要领难以处置惩罚的普遍或重大的盘问。
检索流程
当用户提出问题时 ，GraphRAG 会高效地从知识图谱中检索最相关的信息。然后 ，它会使用这些信息来指导和刷新 LIAM 的响应 ，从而提高谜底的准确性并降低天生不准确或误导性信息的可能性。
GraphRAG 模式的企业战略
与基本 RAG 系统一样 ，GraphRAG 也使用专门的数据库来存储它在 LLM 的资助下天生的知识数据。可是 ，与天生嵌入并将其存储在矢量数据库中相比 ，天生知识图谱的本钱更高。因此 ，在基本 RAG 可能难以爆发准确谜底的情形下 ，应使用 GraphRAG。
当源数据高度动态（即频仍更改）时 ，您需要重修语料库的图形并响应地更新图形数据库。为源数据的每次更改重修图形数据库可能本钱高昂 ，但关于坚持相同的周全明确却是须要的。
在企业情形中 ，建议将 GraphRAG 与基本 RAG 集成 ，以建设更有用的天生式 AI 系统。这样 ，若是基本 RAG 无法检索到所需效果 ，系统可以在 GraphRAG 数据库中搜索上下文并为用户天生响应 ，而不是在系统具有准确谜底和上下文但疏散在差别块或未群集在一起的文档中时爆发幻觉或不天生响应。将 GraphRAG 与基本 RAG 系统相团结可以使 AI 应用程序越发强盛。
以上就是企业天生式 AI 应用的架构模式：DSFT、RAG、RAFT 和 GraphRAG的详细内容 ，更多请关注本网内其它相关文章！
