Retourner à la version anglaise de la documentation

Détails du modèle AutoAI RAG

Dernière mise à jour : 14 mars 2025

Une fois l'expérience AutoAI RAG terminée, consultez les détails d'un motif pour en comprendre la composition et les performances.

Présentation du modèle

À partir du tableau de classement du pipeline, vous pouvez consulter un tableau contenant les informations suivantes pour chacun des modèles générés par l'expérience :

Colonne	Descriptif
Rang	Classement du placement en fonction de la meilleure performance pour la métrique optimisée
Nom	Nom du pattern
Nom du modèle	Nom du modèle d'intégration utilisé pour vectoriser et indexer les documents
Optimiser la métrique	Résultats de performance pour la métrique optimisée sélectionnée pour l'expérience. Un modèle RAG peut être optimisé pour la fidélité de la réponse et la justesse de la réponse
Taille de bloc	Quantité de données extraites des documents indexés
Méthode d'extraction	Méthode (Window ou Simple) utilisée pour récupérer les documents indexés
Métrique de distance du magasin de vecteurs	Métrique (cosinus ou euclidienne) utilisée pour mesurer la pertinence des vecteurs stockés par rapport aux vecteurs d'entrée

Détails du schéma

Cliquez sur le nom d'un modèle pour passer en revue les détails de configuration suivants pour un modèle. Pour comparer deux patrons, basculez sur Comparer les patrons et sélectionnez un patron à comparer. Certains paramètres de configuration sont modifiables lorsque vous créez l'expérience. Pour plus de détails, voir Personnalisation des paramètres de l'expérience RAG.

Informations sur le schéma

Colonne	Descriptif
Schéma	Nom du pattern
Type de score	Comment la mesure de performance est calculée et présentée. - Moyenne : Le score moyen de la mesure. - IC haut : La limite supérieure de l'intervalle de confiance (IC) pour le score moyen, indiquant la valeur la plus élevée que la mesure est susceptible d'atteindre. - IC bas : La limite inférieure de l'intervalle de confiance (IC) pour le score moyen, indiquant la valeur la plus faible que la mesure est susceptible d'atteindre.
Exactitude de la réponse	L'exactitude de la réponse générée, qui comprend à la fois la pertinence du contexte extrait et la qualité de la réponse générée.
Fidélité de la réponse	Précision de la réponse générée par rapport au texte extrait.
Exactitude du contexte	Pertinence de la réponse générée par rapport à l'entrée.

Magasin de vecteurs

Colonne	Descriptif
Type de source de données du magasin de vecteurs	Source de données qui se connecte au magasin de vecteurs.
Métrique de distance du magasin de vecteurs	Métrique utilisée pour mesurer la pertinence des vecteurs stockés par rapport au vecteur d'entrée.
Nom de l'index du magasin de vecteurs	Index utilisé comme structure de données pour le stockage et l'extraction de magasins de vecteurs.
Fonctionnement du magasin de vecteurs	Opération de stockage vectoriel pour récupérer des données. Par exemple, upsert pour insérer ou mettre à jour des lignes dans la table de la base de données.
Zones de schéma du magasin de vecteurs	Schéma pour le stockage de l'index des documents vectorisés.
ID du schéma du magasin vectoriel	Identifiant unique du schéma de stockage vectoriel.
Nom du schéma de magasin de vecteurs	Nom du schéma utilisé pour structurer la table de la base de données
Type de schéma de magasin de vecteurs	Détermine le type de données qui peuvent être stockées dans le schéma et les opérations qui peuvent être effectuées sur les données. Le type de schéma struct est utilisé pour stocker des données structurées.

Segmentation

Colonne	Descriptif
Chevauchement de blocs	Nombre de blocs qui partagent des mots ou des phrases communs.
Taille de bloc	Quantité de données extraites des documents de l'index.
Augmentation de bloc	Comment le texte pertinent est extrait pour chaque bloc de l'entrée après la division de l'entrée en plusieurs blocs.

Intégrations

Colonne	Descriptif
Modèle d'intégration	Modèle d'intégration utilisé pour vectoriser et indexer la collection de documents.
Tronquer les jetons d'entrée	Nombre maximal de jetons acceptés en entrée.
Tronquer la stratégie	Stratégie utilisée pour déterminer comment traiter les documents extraits afin d'optimiser les performances du modèle.

Extraction

Colonne	Descriptif
Méthode d'extraction	Méthode utilisée pour extraire les documents indexés : fenêtre ou simple.
Nombre de blocs	Nombre de blocs extraits des documents indexés.
Taille de la fenêtre	Nombre de jetons adjacents pris en compte par le modèle lors de l'extraction de texte à partir de documents indexés.

Génération

Colonne	Descriptif
Texte du modèle contextuel	Modèle structuré pour la réponse générée.
Modèle de base	Modèle de fondation utilisé dans l'expérimentation. Cliquez sur l'icône de prévisualisation pour obtenir des détails sur le modèle.
Méthode de décodage	Processus qu'un modèle utilise pour choisir les jetons dans la sortie générée.
Nombre maximum de nouveaux jetons	Nombre maximal de nouveaux jetons pouvant être générés en plus des jetons extraits des documents indexés.
Nombre minimum de nouveaux jetons	Nombre minimum de nouveaux jetons pouvant être générés.
Texte du modèle d'invite	Structure avec des lignes directrices pour le modèle à utiliser lors de l'extraction de texte à partir de documents indexés.
Rapport mot/jeton	Nombre de mots dans un texte divisé par le nombre de tokens générés.

Exemples de questions et réponses

Colonne	Descriptif
Exemples de questions et réponses	Les questions et les réponses correctes sont fournies comme données de test pour mesurer la performance du modèle. Exemple :

Sujet parent : Automatisation d'un modèle RAG avec AutoAI

La rubrique a-t-elle été utile ?

0/1000