LLM2 [데분챌 9일차] RAG 시스템의 필요성 오늘은 Chat GPT의 한계를 보완하는 RAG 시스템에 대해 알아 보았습니다.이번 글은 관심있게 보고 있는 엉드루님의 글을 요약했습니다.요약Chat GPT 한계점고정된 지식 기반 작업환각 현상 가능성문맥 처리 한계개인화 및 도메인 특화 어려움RAG(Retriever-Augemented Generation) 장점최신 정보 반영 가능정확성 향상: 신뢰할 수 있는 출처에서 정보를 검색문맥 확장 가능개인화 및 도메인 특화 답변 가능RAG 작동 원리사용자 질문외부 DB 또는 문서 검색LLM이 검색된 정보의 문맥을 이해 및 통합하여 응답 생성RAG 사례문서 요약 및 정보 추출고객 지원 자동화내부 지식 관리규제 준수 검토마케팅 자료 생성인사이트LLM 엔진의 지속된 발전에도 RAG 시스템의 중요성이 여전히 존재합니다.. 2024. 6. 5. [데블챌 6일차] ROUGE: 문서 요약의 품질을 측정하는 지표 요약ROUGE(Recall-Oriented Understudy for Gisting Evaluation)는 자동으로 생성된 요약과 사람이 작성한 기준 요약 간의 일치도를 측정하는 평가 지표입니다. 이는 문서 요약의 품질을 평가하는 데 사용되는데요. ROUGE는 단어나 구의 재현율을 측정하는데, 주로 n-gram 일치도나 가장 긴 공통 부분 열을 기반으로 합니다.1. ROUGE 지표 소개ROUGE-N: n-gram 일치도를 기반으로 합니다. ROUGE-L: 가장 긴 공통 부분 열을 기반으로 합니다. 수식: ROUGE-N은 참조 요약과 시스템 요약 사이의 n-gram 중복 수를 참조 요약의 총 단어 수로 나눈 값입니다.$$ROUGE-N = \frac{Number\ of\ overlapped\ n-gram.. 2024. 6. 2. 이전 1 다음