說明
生成式 AI 必須要結合企業的內部資料來進行企業應用，而結合的方式有以下數種：
- Prompt Engineering
- 藉由情境 (content) 讓生成式 AI 回答情境下的問題，聚焦在使用者的問題。
- RAG (Retrieval-Augmented Generation)
- 生成文本流程的改善，讓生成式 AI 具備新的知識，在回答問題時，先比對問題的特徵找到參考的資料來源，根據資料來源回答使用者的問題。
- Fine Tuning
- 藉由改變類神經網路的參數權重，讓生成式具備專門的新技能，例如摘要、分類與格式化資訊。
- Retrain Model
- 將新的資料加入並且重新訓練模型，但模型的訓練每次成本非常昂貴 (百萬美金等級)。
RAG (Retrieval-Augmented Generation)
RAG 的具體步驟：
- Data ingestion
- Chunking
- Indexing
- Pormpting
- User interface
在 Data ingestion 階段，要考量資料儲存的位置 (Database, Storage) 以及儲存的格式，如果是 pdf 或者是圖片，可以搭配 Azure Form Recognizer 來辨識。
在 Chunking 階段，約 200 至 400 tokens 或 1000 至 1500 tokens 的兩種拆分策略。而在 Chunking 的過程，最適合的有許多切割分界的技巧需要留意 (例如是否會破壞 Html, XML 格式等)。
在 Indexing 階段，需要考量包含 Keyword Search 以及 Vector Search 的搜尋應用，在向量化的操作，可以藉由 Azure 的 text-embedding-ada-002 來進行資料的像量化。
此外在 Indexing 上，也可以搭配特別設計的資料來未來進行 filter，避免過大的 Chunking 數量，影響了生成結果。
最後在 Prompting 上，可以藉由 prompt 指定模型的 profile, capabilities, limitations 以及 output format 的方式來設定。
How LLM Works
- 數據收集與處理
資料來源：LLM的訓練首先需要大量的文本數據。這些數據來自於書籍、新聞文章、網站、社交媒體等各種渠道，涵蓋了廣泛的話題和風格。
預處理：這些數據在用於訓練前會經過預處理，比如刪除重複內容、校正語法錯誤，以確保質量。
- 模型訓練
學習語言規則：在訓練過程中，LLM會試圖理解和學習語言的規則，例如詞彙的意義、句子結構和文本中的上下文關係。
模式識別：透過分析大量文本，LLM學會識別不同的語言模式。例如，它可以學習到「今天天氣如何？」這句話通常是在詢問天氣狀況。
演算法和神經網絡：LLM使用複雜的演算法和神經網絡來處理和生成語言。這些網絡模仿人腦的工作方式，可以從大量數據中學習和做出預測。
- 生成文本
應對請求：一旦訓練完成，LLM能夠根據用戶的請求生成文本。例如，當你問LLM「明天的天氣怎麼樣？」時，它會根據學到的知識和模式生成一個合適的回答。
創意應用：除了回答問題，LLM還能創作故事、寫詩，甚至編寫程式碼。這是因為它學會了各種語言風格和結構，可以靈活應用。
- 持續學習與改進
反饋學習：LLM不是一成不變的。通過用戶的互動和反饓，它會持續學習和改進，以更準確地理解和回應請求。
調整和優化：為了提高性能和準確度，開發者會定期對LLM進行調整和優化。
Wikipedia about LLM