在构建政策问答智能聊天助手的过程中，我们采用了 RAG（Retrieval-Augmented Generation）技术。RAG 是一种结合了检索和生成的混合型自然语言处理技术，它通过检索相关信息来增强生成模型的上下文理解能力。RAG 的主要优点在于能够有效减少生成式模型的“幻觉”问题，即模型生成与现实不符的内容，从而提高回答的准确性和可靠性。我们将整个搭建过程分为三个关键阶段：数据预处理、推理和评价。
RAG 通用框架
01. 数据预处理
在预处理阶段，我们完成了清洗、分词并提取特征，确保数据质量。首先，我们将 PDF 政策文本转化成 TXT ，这一步基于开源项目 tesseract-ocr 的简体中文版本实现。
def process_pages(pdf_path, start_page, end_page):
images = convert_from_path(pdf_path, dpi=300, first_page=start_page, last_page=end_page)
text_pages = {}
for i, image in enumerate(images, start=start_page):
gray_image = ImageOps.grayscale(image)
text = pytesseract.image_to_string(gray_image, lang='chi_sim+eng')
print(f"\nPage {i} Text:\n{text}") # Print recognized text
text_pages[i] = text + "\n"
return text_pages
在实施时，我们选取的政策文档为43页，经过 jieba 分词后，得到13194字，共471句话。
words = jieba.lcut(text)
num_words = len(words)
# Matches Chinese period, exclamation, question marks, and newlines
sentence_delimiters = r'[。！？]'
sentences = re.split(sentence_delimiters, text)
sentences = [s.strip() for s in sentences if s.strip()]
num_sentences = len(sentences)
接下来是分段即 chunking 环节。我们调研了多种常用的分段方法，并着重实验了其中两种。
方法一：等字符分段法
这也是最常见的分段方法。为适应大模型每次输入 token 的最大数量限制，并且考虑到单句平均28个字符，我们采用 width=300，overlapping=50 的分割法。
while start < total_words:
end = start + W
chunk_words = words[start:end]
chunk_text = ''.join(chunk_words) # Concatenate words without spaces
chunks.append(chunk_text)
start = end - overlap # Move the window forward with overlap
方法二：语义双重合并分段
语义双重合并分段（semantic chunking double-pass merging）中有双重过程，其中 First Pass 的目的是准确识别主题的差异，将最明显的句子连接在一起。而 Second Pass 进一步将以上小块组成主题各异的大块。对于主题的变化判定，我们设定了阈值 threshold = 0.7。
这里采用的 sentence tokenizer 是 sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2，为句子生成84维的向量。
chunks = []
current_chunk = []
i = 0
while i < len(sentences):
sentence = sentences[i]
is_item = bool(item_pattern.match(sentence))
if is_item:
# Start a new chunk for the itemized list
if current_chunk:
chunks.append(current_chunk)
current_chunk = [sentence]
i += 1
# Add subsequent itemized entries to the current chunk
while i < len(sentences) and (bool(item_pattern.match(sentences[i])) or sentences[i].startswith(('（', '('))):
current_chunk.append(sentences[i])
i += 1
# Add the completed itemized list chunk
chunks.append(current_chunk)
current_chunk = []
else:
# Regular sentence processing with semantic similarity
if not current_chunk:
current_chunk = [sentence]
else:
# Compute similarity with the previous sentence
embedding_prev = get_sentence_embedding(current_chunk[-1])
embedding_curr = get_sentence_embedding(sentence)
sim = cosine_similarity(
embedding_prev.reshape(1, -1),
embedding_curr.reshape(1, -1)
)[0][0]
if sim >= 0.7: # Adjust the threshold as needed
current_chunk.append(sentence)
else:
chunks.append(current_chunk)
current_chunk = [sentence]
i += 1
# Add any remaining chunk
if current_chunk:
chunks.append(current_chunk)
在实践中，我们发现使用同样的大模型，第二种语义分段法的预测效果要优于第一种等字符分段法。这可能是因为在方法二的初始分段过程中，我们注意到了句块过于零散的情况：
条例化的信息在这里被视为分段的标志，而相反他们正应被归为一类。于是我们确保“（）”级别的 itemization 都能被正确合并。
item_pattern = re.compile(r'^(\(?[一二三四五六七八九十0-9]+\)?[．。、])')
以上两种分段法得到的结果，我们都以 chunks.pkl 和 chunk_embeddings.pkl 形式存储。
02. 推理环节
在推理环节中，我们利用大模型的深度学习功能，通过微调和优化来提高模型的理解和回答能力。我们需要依据用户提问找到相关联的文本，设计提示词，随后调用大模型作答。
先对 query 进行 tokenization，找到相似度最高的 top K 段落（K=5）：
def get_top_k_chunks(query_embedding, chunk_embeddings, K):
similarities = []
for idx, chunk_embedding in enumerate(chunk_embeddings):
sim = cosine_similarity(
query_embedding.reshape(1, -1),
chunk_embedding.reshape(1, -1)
)[0][0]
similarities.append((idx, sim))
similarities.sort(key=lambda x: x[1], reverse=True)
top_k = similarities[:K]
return top_k
为兼顾模型性能与潜在的参数优化可行性，我们选择 Llama-2-7b-hf 作为大模型。设计一组 prompt 后即可开始问答。
context = ''
for idx, sim in top_k_chunks:
chunk_text = ''.join(chunks[idx]) if isinstance(chunks[idx], list) else chunks[idx]
context += f"【内容{idx+1}】\n{chunk_text}\n\n"
prompt = f"""你是一名智能助理，请根据以下提供的政策内容，回答用户的问题。请确保回答准确且基于提供的内容。如果无法找到答案，请告知用户。
{context}
用户提问：
{query}
你的回答：
"""
terminal>>
请输入您的问题:杭州市海外高层次人才创新创业有哪些补助?
生成的回答：
参照中国杭州大学生创业大赛在杭落地项目资助条目
可见该回答虽言之成理，仍存在改进空间。问题在于，如何量化评价这一模型的回答准确度？为此，我们引入了多项选择题（MCQ）作为评价集。
03. 评价环节
鉴于大模型生成的自然语言回答存在不确定性，量化其准确性变得颇具挑战。为此，构建一个包含确切答案的评价集显得尤为关键。我们期望该评价集满足以下特点：
首先，每个问题应有一个正确答案，而其他三个错误答案在常识范围内应具有一定的合理性，这样可以确保判断是基于检索到的文档内容，而非模型的先验知识。
其次，正确答案应在选项中随机分布，以避免在训练过程中出现过度拟合。通过人工标注与 AI 技术的辅助，我们成功构建了30组评价问答题，确保了评价集的质量和实用性。
以下是示例问题：
{
"query": "哪些企业能获得杭州市的创业补助？",
"options": {
"A": "所有注册在杭的企业均可申请。",
"B": "符合政府补助要求的创新型企业。",
"C": "补助只提供给年收入超过一定标准的企业。",
"D": "只限于科技创新型企业。"
},
"ground_truth": "B"
},
在这组评价集上，我们分别验证了两种分段法。鉴于生成的回答不总是如指令里声明的那样，仅仅给出 ABCD 中的选项，我们提取回答中首个出现的合法大写字母作为 predicted answer。
for char in predicted_answer:
if char in ['A', 'B', 'C', 'D']:
return char
return None
经多组实验，等字符分段法取得了13.3%-20%的准确率，而语义分段法取得了26.7%-50%的准确率。总体而言，语义分段法所产生的文本在该评价集上更加可靠，除了上述提及的合并 itemization 的原因，还可能是因为等字符分段法恒定的 top K chunks 输入宽度过大，导致大模型更难准确理解指示。此处展示正确和错误的预测案例各一组以供参考：
至此为止，我们可以对不同大模型与分段法在该评价集上的性能搭配进行总结。
不同大模型与分段方法搭配的准确率
💡注：显示的准确率为多组实验取得的最高值。当调用更小模型时，我们相应更改了分段的策略。例如对于 microsoft/phi-2，我们选取 W=80，overlap=40。对于 Open_llama_7b，我们选取 top K=3。
在学员们利用 RAG 技术搭建政策问答智能聊天助手的流程中，他们经历了详尽的调研和调试，已经从最初的探索者成长为能够独立处理复杂任务的专家。然而，这个项目方案仍有提升空间。
我们注意到，模型的训练和推理过程并未完全分离，导致超参数（hyperparameters）的设定过于依赖初始设计，缺乏迭代优化的过程，这是机器学习早期的常见问题。随着深度学习技术的不断进步，出现了多种调参方法。在这些方法中，LoRA 因其能够在较低成本下实现大模型的局部微调而备受青睐。通过引入 LoRA 技术，我们可以更有效地优化模型，实现更精准的调整，从而提升整体性能。
01. 什么是 LoRA？
LoRA（low-rank adaptation，低秩适应）是一种高效的机器学习模型微调技术，它能够迅速使模型适应新环境。与 RAG 专注于特定数据集不同，LoRA 使模型能够更好地适应特定的任务需求。在面对多样化的细分任务时，全面微调一个大型模型往往成本过高，而 LoRA 提供了一种经济且快速的解决方案。通过在模型的 QKV（Query, Key, Value）部分引入低秩矩阵，即形式为 Bmxr x Arxn 的结构，其中 r 远小于 m 和 n，LoRA 只需训练两个残差（residual）矩阵A和B。这种方法显著减少了训练的参数量，同时对模型的自注意力层和交叉注意力层产生影响，从而实现对模型的快速且有效的微调。
02. 把 LoRA 应用到 RAG Chatbot
我们先将先前的评价集 dataset.json 以 20：5：5 拆成 train：valid：test。设置 lora_config 的参数。
def fine_tune_lora(model_name, train_dataset, valid_dataset):
# Load the pre-trained LLaMA model
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name, device_map="auto")
# Apply LoRA to the model
lora_config = LoraConfig(
r=8, # Low-rank approximation factor
lora_alpha=16, # Scaling factor for the LoRA weights
target_modules=["q_proj", "k_proj", "v_proj"], # Target the attention layers
lora_dropout=0.1 # Dropout rate for LoRA layers
)
model = get_peft_model(model, lora_config)
把 evaluation_metric 设置为 accuracy。定义可训练的参数，以及训练器。为节约 GPU 资源，可下调精度。
training_args = TrainingArguments(
output_dir='./results',
num_train_epochs=3,
per_device_train_batch_size=2,
per_device_eval_batch_size=2,
gradient_accumulation_steps=4,
fp16=True, # Enable mixed precision
evaluation_strategy="epoch",
save_strategy="epoch",
logging_dir='./logs',
logging_steps=10,
# Train the model
trainer.train()
# Save the fine-tuned LoRA model
model.save_pretrained('fine_tuned_lora_llama')
tokenizer.save_pretrained('fine_tuned_lora_llama'
最后预计需要 64.00 MiB GPU 空间。技术原理已经阐明，限于算力资源，工程部分留作将来的拓展实践。
如何学习AI大模型？
作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。
794
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
