Pregătirea documentelor pentru AI
O bază de cunoștințe bună începe cu documente curate și actuale.
Ce vei învăța
- Explici: documentul bun precede răspunsul bun
- Aplici ideea într-un exemplu: Pregătirea documentelor pentru AI
- Recunoști limitele și verifici rezultatul exercițiului
O bază de cunoștințe bună începe cu documente curate și actuale. Modelul nu poate decide singur care dintre două politici contradictorii este valabilă.
Poți parcurge acest curs fără cont și fără programare. Exemplele sunt sintetice și rezultatele AI trebuie verificate.
Cum funcționează, pas cu pas
Documentul bun precede răspunsul bun
Pregătește texte lizibile, titluri clare, tabele cu antete și surse fără duplicări inutile. Chunking împarte documentul în fragmente care pot fi recuperate separat; overlap păstrează continuitatea dintre fragmente vecine. Un segment prea scurt pierde condițiile, iar unul prea mare introduce zgomot. Metadatele păstrează sursa, poziția și versiunea, precum și domeniul de acces unde implementarea îl aplică. Upload-ul salvează fișierul, indexarea îl face căutabil. Dacă sursa se schimbă, verifică dispariția segmentelor vechi și reapariția celor noi înainte de a anunța că baza este actualizată.
Fluența și adevărul se verifică separat
O halucinație este un conținut nesusținut sau incorect prezentat drept răspuns. Poate apărea din lipsă de informație, ambiguitate sau combinarea greșită a unor tipare. Cere dovezi și verifică documentul original, data, unitățile și condițiile. O citare care există poate să nu susțină afirmația. Pentru date actuale folosește o sursă actuală; pentru calcule folosește un calculator; pentru lipsa datelor acceptă „nu pot determina”. Nu trata nivelul de încredere exprimat în text drept probabilitate calibrată.
Accesul se verifică înainte de folosire
Permisiunile trebuie aplicate în server și în stratul de date. Nu lăsa modelul să decidă dacă un utilizator poate vedea un document. Filtrează sursele înainte să intre în context, nu după generarea răspunsului. Folosește chei cu acces minim, nu le pune în prompturi, capturi sau cod din browser și rotește-le dacă sunt expuse. O listă de domenii permise pentru widget nu înlocuiește autentificarea API. Autentificarea arată cine ești; autorizarea arată ce operații și date poți folosi. Testează și accesul refuzat.
Harta vizuală
Urmărește săgețile continue pentru fluxul principal. Săgețile albastre punctate furnizează date sau context; cele roz punctate arată feedback sau rezultate care revin. Culorile și formele disting modelele, stocările, deciziile și rezultatele. Pe ecrane mici, derulează orizontal pentru a urmări întreaga diagramă.
Un exemplu complet
Un PDF vechi spune 30 de zile, iar politica actuală 14. Marchezi versiunea, păstrezi sursa actuală și elimini duplicatul expirat din corpusul folosit.
Încearcă tu
- Curăță două politici contradictorii și o tabelă fără antete.
- Notează intrarea, sursa și rezultatul așteptat înainte să rulezi experimentul. Folosește doar datele fictive din exemplu.
- Urmărește etapele din diagramă. La fiecare pas scrie ce informație primește și ce produce; nu confunda rezultatul intermediar cu rezultatul final.
- Repetă cazul după eliminarea unei informații necesare sau după o intrare ambiguă. Verifică dacă sistemul cere clarificare, se oprește sau inventează.
- Compară cu soluția comentată. Păstrează configurația, data, rezultatul și o explicație pentru orice diferență. Schimbă un singur lucru și retestează.
Soluție comentată
Corpusul activ are o politică identificabilă și nu amestecă versiuni contradictorii. Pentru a considera exercițiul reușit, poți arăta legătura dintre intrare, etapele parcurse și rezultat. Dacă lipsesc date, un răspuns prudent este mai util decât o completare inventată. Nu compara doar stilul: verifică și condițiile, sursele și operațiile efectuate.
Când merită și ce poate merge prost
Nu încărca documente sensibile doar pentru un experiment. Alege această abordare când îmbunătățește o nevoie măsurată. Păstrează o variantă simplă ca referință și compară rezultatele pe aceleași intrări. Un singur exemplu reușit nu stabilește fiabilitatea în toate situațiile.
Verifică ce ai înțeles
Upload terminat înseamnă document gata pentru RAG?
Nu. Extragerea, segmentarea și indexarea trebuie să se termine cu succes.
Ajunge să existe un link în răspuns?
Nu; sursa trebuie să susțină exact afirmația și să fie potrivită momentului și situației.
Ce rezultat trebuie să obții în acest exercițiu?
Corpusul activ are o politică identificabilă și nu amestecă versiuni contradictorii.
Cuvinte de ținut minte
- Chunk: Fragment de document care poate fi căutat separat.
- Grounding: Ancorarea răspunsului în dovezi verificabile.
- Autorizare / Authorization: Verificarea dreptului la o operație sau resursă.
Surse și următorul pas
Pentru pregătire: R01 — Ce este RAG și de ce este util? · R03 — Naive RAG: punctul de plecare