Webinaire Séance 9

Action de Recherche Graphes de connaissances géohistoriques / September 2024

57 Words, 1 Minutes

Date: jeudi 21 novembre 2024, de 12h30 à 13h30.

Cette séance est consacrée à la génération augmentée de récupération (Retrieval Augmented Generation, RAG) pour interroger des graphes de connaissances (géohistoriques).

Programme:

La RAG : avantages par rapport au fine-tuning et utilisation sur les graphes de connaissances - par Marion Schaeffer - Doctorante en Traitement Automatique du Langage Naturel, Institut National des Sciences Appliquées de Rouen, LITIS & WIKIT.

Résumé : La génération augmentée de récupération (Retrieval Augmented Generation, RAG) s’impose aujourd’hui comme une technique largement exploitée pour utiliser des grands modèles de langage (Large Language Model, LLM). Dans nos travaux, nous comparons la RAG au fine-tuning. Nous évaluons ces techniques pour deux cas d’usage différents avec des métriques automatiques et la préférence humaine. Nous nous interrogeons également sur l’utilisation de la RAG sur les graphes de connaissances afin d’exploiter le caractère structuré de ce format de données et de limiter la taille du LLM utilisé.

Références:

Marion Schaeffer, Christophe Bouvard, Jean-Philippe Kotowicz, and Cecilia ZanniMerk. Vers des llm moins gourmands pour interroger des graphes de connaissances en langue naturelle. Revue des Nouvelles Technologies de l’Information, Extraction et Gestion des Connaissances, RNTI-E-40:473–480, 2024. 21, 29

Christophe Bouvard, Mathieu Ciancone, Antoine Gourru, Marion Schaeffer. Derby LLM : Évaluation comparative des approches RAG et fine-tuning. 10 ème Conférence Nationale sur les Applications Pratiques de l’Intelligence Artificielle, AFIA-Association Française pour l’Intelligence Artificielle, Jul 2024, La Rochelle, France. pp.38-47. ⟨hal-04638460⟩