Génération augmentée de récupération avec Azure SQL

La génération augmentée de récupération, ou RAG, est l'un des sujets les plus brûlants du moment car elle ouvre la possibilité d'interagir avec les données en utilisant le langage naturel, ce qui est un rêve de longue date qui devient enfin réalité.

Il est très probable qu'une grande partie de vos données soient déjà stockées ou le seront dans Azure SQL. Une demande courante consiste donc à avoir un exemple sur la façon d'appliquer le modèle RAG à vos propres données stockées dans une base de données Azure SQL.

Cet article de blog parle de cela. Commençons par les bases et assurons-nous que le modèle RAG est clairement compris.

Modèle de chiffon 101

Pour rendre l'explication facile à comprendre, même si vous êtes complètement nouveau sur le sujet, commençons par un scénario simple. Vous disposez d'une base de données dans laquelle vous avez stocké les détails - titre, résumé, heure, intervenants - de toutes les sessions d'une conférence. Un bon exemple pourrait être la conférence .NET Focus on AI qui vient de se dérouler ou la prochaine conférence .NET Conf 2024, ou l'une de mes préférées, la conférence VS Live.

Pourquoi RAG ?

Vous savez déjà que les modèles linguistiques tels que GPT-4 ou Phi-3 peuvent accepter n'importe quel texte que vous leur fournirez et qu'ils peuvent générer des réponses à presque toutes les questions que vous souhaitez poser. Alors, pourquoi un modèle spécifique comme RAG est-il nécessaire ? Pourquoi ne pouvons-nous pas simplement envoyer tous les titres, les résumés et toutes les informations stockées dans la base de données au LM et mettre un terme à cela ? Ensuite, nous po...
[Courte citation de 8% de l'article original]