Artikel für Leute, die
den Stack ausliefern
Beiträge zu React, Node.js, TypeScript und AI. Ein übersetzter Text wird gezeigt, wenn er existiert. Sonst sehen Sie den englischen Text und einen Hinweis.
Tag: NLP
Warum RAG existiert: Parametrische Speicherung, dichte Suche und die Veröffentlichung von 2020
Warum RAG existiert: Die Grenzen der parametrischen Speicherung, wie BM25 und Embeddings zu einer dichten Suchfunktion führten, sowie welche Kompromisse RAG-Sequence und RAG-Token im Paper eingehen.
7 Min. LesezeitBestätigungen für Prüfaufträge an einen Agenten wurden niemals erstellt: Überprüfung der Werte statt der Formulierungen
Wie man einen Bewertungstool für Konsistenz der Anfragen erstellt, das von Support-Mitarbeitern zur Prüfung echter Bestellungen verwendet wird: Teilen Sie die Ergebnisse nach Eigentümern auf und überprüfen Sie die Identifikatoren anhand der Ergebnisse des Tools.
16 Min. LesezeitDatenreinigung für Produktions-RAG: Kodierung, OCR, Doppelungsbeseitigung und PII
Wie man analysierte Unternehmensdokumente in für die Suche bereiten Text umwandelt: Fehlerbehebung bei der Kodierung, Entfernung von Standardtexten und Duplikaten, Kennzeichnung risikoreicher OCR-Ergebnisse, Handhabung verschiedener Sprachen sowie Maskierung personenbezogener Daten.
21 Min. LesezeitWie RAG Halluzinationen von LLMs reduziert: Retrieval, Embeddings und Unternehmensanwendungen
Warum große Sprachmodelle mit Überzeugung falsch antworten und wie RAG sie in aktuellen Daten verankert: Die zweiteilige Architektur, Embeddings, Abwägungen und Grenzen der Feinabstimmung.
9 Min. LesezeitVon Regeln zu Transformern: Wie NLP lernte, mit Kontext umzugehen
Eine kurze Geschichte der Verarbeitung natürlicher Sprache: regelbasierte Systeme, N-Gramme, Markov-Modelle, Wortvektoren, RNNs, Attention, Transformer und die großen Sprachmodelle, die darauf aufbauen.
7 Min. LesezeitWarum Transformer Sinus und Kosinus für das Positional Encoding nutzen
Eine Schritt-für-Schritt-Erklärung des sinusförmigen Positional Encodings: warum Attention die Wortreihenfolge ignoriert, Uhren mit verschiedenem Tempo, ein Rechenbeispiel mit 12 Dimensionen und Rotation.
8 Min. LesezeitEinen Transformer von Grund auf in PyTorch bauen: Attention, Encoder und Decoder
Schritt-für-Schritt-Code in PyTorch für die Kernbausteine eines Transformers: Positional Encoding, Scaled Dot-Product und Multi-Head Attention, Feed-forward-Schichten, Encoder-Stack und Decoder-Grundlagen.
8 Min. LesezeitWarum indische Sprachen in LLMs mehr Token kosten und wie man Tokenizer repariert
Derselbe Satz braucht auf Englisch 5 Token und auf Tamil 34. Wie die BPE-Trainingsdaten das verursachen, was Neugewichtung und Vokabulargröße ändern und wie Vokabularerweiterung funktioniert.
8 Min. LesezeitZaumzeugtechnik – Die Grundlage zuverlässiger KI-Agenten
Nutzen Sie Ingenieurwesen als Grundlage zuverlässiger KI-Agenten: Was ein LLM ist, was es zu einem Agenten macht und was das Engineering um den Agenten-Loop selbst hinzufügt.
11 Min. Lesezeit
Über diese Artikel
Angebot in 24 Stunden
Denselben Stack in einer Operator-Schicht? Brief schicken — Angebot in 24 Stunden.