vivo 一站式 AI 智能体构建平台演进实践

如果无法正常显示,请先停止浏览器的去广告插件。
分享至:
1. vivo一站式AI智能 体平台的演进实践 vivo互联网产品平台架构团队负责人 / 张硕
2.
3. 行业PPT模板http://www.1ppt.com/hangye/ 行业PPT模板http://www.1ppt.com/hangye/ CONTENTS 02 技术方案 从RAG到Agent 背景 01 03 应用落地
4. 行业PPT模板http://www.1ppt.com/hangye/ BACKGROUND 行业PPT模板http://www.1ppt.com/hangye/ 背景 background B
5. 行业PPT模板http://www.1ppt.com/hangye/ BACKGROUND 行业PPT模板http://www.1ppt.com/hangye/
6. - 商业价值? 如何创造务实价值? 应用门槛高 学习成本、合规、LLM幻觉等问题,对业务 系统不够友好,劝退概率大 - 无法满足垂类业务 LLM虽然压缩了大量的人类知识库,但对垂类 领域知识存在明显短板,无法满足用户需求。 更多场景需要专业化服务、解决特定问题 - 配套能力不足 比如 系统间集成通信、数据管理、非结构化 文本解析、测试度量、运营管理等等能力 - 难以发挥集中、规模优势 各业务孤立摸索,资产无法沉淀、低水平重 复建设。对公司来说ROI低,不够高效。
7. 如何解决? 挑战 l 不舒适区: 整体技术生态处于发展早期, 平台化演进 把一类诉求抽象归纳、系 统化,满足一系列需求, 并持续沉淀为资产,能够 对各部门、对公司持续提 供稳定服务。 一站式开箱即用 降低技术难度、减少沟通 成本、屏蔽使用复杂度, 配套较完备的在线业务使 用能力。 垂类私域数据 基于平台构建各个方向垂类bots应用,管理数据集, 并对这些应用进行迭代运营 不确定性高,有较高试错成本,需要大量 的学习探索。如何高效带领团队达成目标? l 资源依赖: 算力日渐昂贵,使用量级增 长还要不停追加算力投入。ROI如何保障? l 业务应用: 对生成式人工智能的期望过 高,有需求但是不知道如何高ROI应用。如 何助力各个业务创造可量化的价值?
8. 新的起点,如何带领团队高效学习,敏捷落地? 创造性、突破式场景,躬身入局、以身作则是务实领导力的关键 为什么? 我做了什么? 领跑,深入关键环节,决策才能及时、有效 团队 思考&学习 ü “照我做的做”效果会好于“照我说的做” • 明确方向 ü 才能领跑赋能,带团队指明方向、解决难题、 • 扫除障碍,承担使命与压力,最终拿到结果。 ü 面对挑战,求责于己,身教胜于言传 ü 及时反馈,及时say Yes\NO 技术实现 • 核心方案 竞品调研 • 技术评审 • roadmap • 疑难攻关 • 大量学习 (60+论文、 国内外竞品分析、 开源技术方案……) 蓝心九问 公司 ü 避免务虚,聚焦创造价值本身。 ü 增效降本 体验&测试 • 功能点检、体验交互 • 复杂测试方案 接入&合作 • 业务落地接入 • 交流合作
9. 行业PPT模板http://www.1ppt.com/hangye/ 技术方案 technical 从RAG到Agent T
10. 技术选择 RAG vs SFT ? 类别 RAG SFT 外部知识源 ✓ ✘ ✘ ✓ 减少幻觉 ✓ ✘ 训练数据集 ✘ ✓ 动态数据更新 ✓ ✘ 可解释性 ✓ ✘ 改变模型行为 《Fine-Tuning or Retrieval? Comparing Knowledge Injection in LLMs》 https://arxiv.org/abs/2312.05934 《RAG VS FINE-TUNING: PIPELINES, TRADEOFFS, AND A CASE STUDY ON AGRICULTURE 》 https://arxiv.org/pdf/2401.08406 以RAG为主的技术路线
11. RAG的演进 Naive RAG • 幻觉明显减少,回答更加可靠 • 为不同领域提供专业的知识支持, 保证信息的及时性、有效性 • 可解释,可追溯问题并迭代改善 • 安全性和隐私管理方面,实现了数 据的权限控制、安全管理等 《Retrieval-Augmented Generation for Large Language Models: A Survey》 https://arxiv.org/abs/2312.10997
12. Naive RAG 荆棘丛生 01 1、 Unstructured IO 2、表格+图片解析 3、语意 + 规则 Chunk Retrieval准确率提升 02 1、混合检索(Sparse + Dense) 2、Auto Merge Retrieval 3、Query transformation(Rewrite)…… 03 1、图文并茂输出 2、参考文档来源展示 3、幻觉控制 04 1、RAG Evaluation 2、Retrieval 过程可视化
13. RAG的演进 Advanced RAG • • • • • • Fine-grained Data Clean Query Transfmation HyDE Q2Q、Q2P Hybrid Search + Rerank Small2Big
14. RAG的演进 Advanced RAG • Fine-grained Data Clean • UnStructured Data • Query Transfmation • HyDE • Q2Q • Hybrid Search + Rerank • Small2Big • Metadatafilter …… 《Precise Zero-Shot Dense Retrieval without Relevance Label》 《Large Language Models are Strong Zero-Shot Retriever》 《Generative and Pseudo-Relevant Feedback for Sparse, Dense and Learned Sparse Retrieval》 《 GRM: Generative Relevance Modeling Using Relevance-Aware Sample Estimation for Document Retrieval》 ……
15. Chunking • 固定大小+常见符号的分块方式 • 简单意图的分块方式(句分割\递归分割) “……天气很好,我们一起” | “去郊外游玩……” 必要语境词语遗失,如 X Flip 产品颜色 菱紫,绸金,钻黑 物理规格 高度: 166.42mm(展开) 86.40mm(折叠) 宽度: 75.25mm 厚度: 菱紫:8.19mm(展开)、17.56(折叠) 钻黑:7.75mm(展 开)、16.62(折叠) 绸金:7.84mm(展开)、16.80(折叠) 重量: 菱紫、钻黑:198g 绸金:199g • 递归分割:通过分治的方法,用递归切分到最小单元的一种方式; • 特殊分割:还有很多不常见的,用于特殊场景,这里就不提了。 上市价格 全网通(V2256A): (12GB+256GB):5999.00元 (12GB+512GB):6699.00元…… chunk示意图
16. Chunking • 基于元素的分割 Ø Ø Ø Ø 结构化处理 按结构合并 新增chunk规则(超token或者某元素变动) 主动合并过小chunk,多合一
17. hybrid search+metadata filter • metadata 来源:如url、文件名、组织、上传人…… 类型:tag、fileType、作者…… 日期:年月日…… • 混合检索 语义检索的局限性 如: 对拼写错误、同义词和措辞差异 不太敏感。 精确的、短小内容匹配 搜索机型、名称、 缩写短语 (例如 vivoX100 pro、SWTO、蓝心LLM-pro-1.0)
18. hybrid search+metadata filter 效果显著 高质量块的查询百分比 不同数据集类型提升明显
19. Small to Big Retrieval
20. Small to Big Retrieval
21. RAG Evaluation——从人工到自动化 检索和生成模块 • 上下文相关性(Context Relevance) • 答案真实性(Answer Faithfulness) • 答案相关性(Answer Relevance) ground_truths(GPT4 Q2A) • 上下文召回(context Recall) • 上下文精准度(Context Precision) • 答案正确性(Answer Correctness) 三元组相互牵制 问题: vivo的总部在哪里?它的主要是做什么的? 答案A: vivo 总部位于广东省东莞市。( low Relevance ) 答案B : vivo 总部位于广东省东莞市,它是一家全球领先的智能终端和智能服务提 供商… ( high Relevance ) Benchmarking Large Language Models in Retrieval-Augmented Generation https://arxiv.org/pdf/2309.01431.pdf RAGAS: Automated Evaluation of Retrieval Augmented Generation https://arxiv.org/pdf/2309.15217
22. RAG Evaluation——从人工到自动化 1. 问答对生成 2. 自动化运行 3. 效果评估分析
23. RAG还不够——Agent RAG聚焦 “知识的精确性相关问题” 比如: “请给我总结下有关xxx的文章核心内容” (topk ?) 比如: “对比下A、B两个项目的人员数量?” “近6年某部门人力投入变化,柱状图表示出 来”(复杂) Agent方式 任务拆解,按顺序排列执行, Agent分头执行等 (独立与LLM交互,执行工具、RAG等等)
24. Agent 概述 代理(Agent)这个词来源于拉丁语“agere”,意为“行动”。 各个领域能够独立思考和行动的概念。 感知环境,自主采取行动以实现目标,并可以通过学习或获取知识来提高其性能 。 • • • Preception ü Context 听觉、视觉等知觉 Brain ü knowledge\reasoning 记忆、决策 Action(基于知觉、决策的反应) ü output txt\image(Tools ) 具身化 The rise and potential of large language model based agents: A survey. arXiv preprint arXiv:2309.07864. lilianweng.github.io/posts/2023-06-23-agent • • • • 任务拆分:把一个复杂的问题分解成更小的问题 工具使用:选择要使用的外部工具 + 提出调用工具的参数 计划:计划出一组任务 存储:存储以前完成的任务相关信息 组件化理解
25. Agent 演进方向 自动化 •从日常任务、重复劳动中解脱出来, 减轻工作压力,提高效率。 •规避人工低级指令,一定程度的自主 半自主性 分析、规划、达成目标 创造性 •具备足够自主性,思考规划能力,自 主完成创新性的、探索性的复杂工作
26. Agent Tools 业务应用类 • 业务系统工具 • OA流程类 • devOps工具…… 内容生成类 • 热点新闻 • 文本翻译…… 常用工具类 • Google搜索 • OCR文本识别 • 数学工具…… 生产力工具 • 办公日程 • 短链工具…… 图片视频 • 图片理解 • AI绘画 • 抠图工具…… 插件集市-我的插件-插件-工具-API或函数
27. Agent Workflow Ø 节点元素: ü ü ü ü ü ü 大模型 代码执行器 知识库 选择器 插件 工作流 Ø 四种模式: ü ü ü ü Reflection Tool Use Planning Multiagent Collaboration
28. Agent Multiple Agents 将复杂任务分解为一组简单Agent,Agent之间通过消息的方式进行通信
29. 应用落地 CRM聊天总结(800+人天)
30. 应用落地 测试报告总结(600+人天)
31. 应用落地 硬件指令生成等(1000+人天)
32. 应用落地 知识客服场景(200+Bots)
33.
34.
35.

Главная - Вики-сайт
Copyright © 2011-2024 iteam. Current version is 2.137.3. UTC+08:00, 2024-12-05 22:27
浙ICP备14020137号-1 $Гость$