8
Table des matières
Saviez-vous?
Le tout premier doodle a été lancé en quelque sorte un message «hors de ses fonctions» lorsque les fondateurs de l’entreprise Larry et Sergey sont partis en vacances.
Saviez-vous?
Le premier doodle a été lancé en 1998, avant que Google ne soit officiellement incorporé.
[Learn More]
Doodle pour google: créativité inspirante, un doodle à la fois
Pendant des années, Google Doodles a égayé nos pages de recherche, célébrant les vacances, les anniversaires et la vie de figures remarquables, mais au-delà de ces délicieuses décorations se trouve une initiative puissante: Doodle pour Google. Ce concours annuel invite les étudiants K-12 aux États-Unis à utiliser leur créativité et leur créativité pour concevoir un gribouillage de Google, offrant une plate-forme unique pour les jeunes artistes pour briller.
Plus qu’un simple concours
Doodle pour Google ne concerne pas simplement les compétences artistiques; Il s’agit de favoriser la créativité, d’encourager l’auto-expression et d’inspirer la prochaine génération d’innovateurs. Chaque année, les étudiants reçoivent un thème, ce qui les incite à réfléchir sur leur monde et à partager leurs perspectives à travers l’art.
De la classe à la scène mondiale
Le concours se déroule par étapes, en commençant par les soumissions d’étudiants à travers le pays. Un panel de juges, y compris les employés de Google et les artistes invités, se rétrécit puis sur le terrain pour sélectionner les gagnants de l’État. Les finalistes nationaux sont choisis parmi ces gagnants de l’État et, finalement, un gagnant du grand prix est sélectionné.
L’impact s’étend bien au-delà du vainqueur. Les finalistes de l’État et nationaux reçoivent des bourses, des Chromebooks et du matériel Google, tandis que leur œuvre est présentée sur le site Web de Doodle pour Google et peut-être sur la page d’accueil de Google elle-même – une scène vraiment mondiale!
Réussite et impact durable
Saviez-vous? Doodle pour les lauréats du concours des étudiants de Google est devenu des artistes professionnels. Le concours s’est avéré être un tremplin pour les talents, nourrir les passions artistiques et fournir une exposition inestimable. Cela témoigne du pouvoir de l’éducation artistique et de l’importance de fournir des opportunités aux jeunes créatifs.
Doodle pour Google n’est pas seulement un concours; C’est un investissement dans le futur, célébrant l’imagination sans limites des étudiants et les inspirant à rêver grand.
«` HTML
Qu’est-ce que la génération (RAG) (RAG) de la récupération?
Le chiffon est un cadre qui combine la puissance des LLM pré-formés avec la capacité de récupérer des informations à partir de bases de connaissances externes. Plutôt de s’appuyer uniquement sur les informations codées dans les paramètres de la LLM pendant la formation, RAG permet au modèle de * rechercher * les informations pertinentes avant de générer une réponse. Considérez-le comme donnant à la LLM un «test de livre ouvert» – il peut consulter des sources fiables pour répondre avec précision aux questions.
Composants clés d’un système de chiffon
- LLM (modèle de grande langue): Le moteur génératif principal, comme GPT-4, Gemini ou Llama 3. Ce modèle prend le contexte récupéré et la requête de l’utilisateur pour produire une réponse finale.
- Base de connaissances: Il s’agit de la collecte de documents, de données ou d’informations auxquelles le système RAG peut accéder. Il peut prendre de nombreuses formes, notamment des fichiers texte, des bases de données, des sites Web ou même des graphiques de connaissances spécialisés.
- Composant de récupération: Ce composant est chargé de trouver les informations les plus pertinentes dans la base de connaissances en fonction de la requête de l’utilisateur. Cela implique assez souvent des techniques comme la recherche sémantique (expliquée ci-dessous).
- Composant de génération: Il s’agit du LLM lui-même, qui prend les informations récupérées (le «contexte») et la requête d’origine pour générer une réponse finale et éclairée.
Comment fonctionne le chiffon? Un processus étape par étape
- Requête utilisateur: Un utilisateur pose une question ou fournit une invite.
- Récupération: Le composant de récupération recherche la base de connaissances des documents ou des données pertinentes pour la requête de l’utilisateur. C’est là que des techniques comme la recherche sémantique sont cruciales.
- Augmentation: Les informations récupérées sont combinées avec la requête utilisateur d’origine pour créer une invite augmentée. Cette invite fournit au LLM le contexte nécessaire.
- Génération: Le LLM reçoit l’invite augmentée et génère une réponse basée à la fois sur la requête et le contexte récupéré.
- Réponse: La réponse générée par LLM est présentée à l’utilisateur.
Recherche sémantique: le cœur d’une récupération efficace
La recherche traditionnelle de mots clés ne parvient souvent pas à capturer le * sens * derrière une requête. La recherche sémantique, alimentée par des techniques comme les intégres vectoriels, aborde cette limitation. Voici comment cela fonctionne:
- Emballages vectoriels: Les documents dans la base de connaissances et la requête de l’utilisateur sont convertis en représentations numériques appelées intégres vectoriels. Ces intérêts capturent la signification sémantique du texte.
- Recherche de similitude: Le système calcule ensuite la similitude entre l’intégration de la requête et les intérêts des documents dans la base de connaissances.
- Documents pertinents: Les documents avec les scores de similitude les plus élevés sont récupérés, car ils sont considérés comme les plus pertinents pour la requête.
Avantages de l’utilisation du chiffon
- Hallucinations réduites: En mettant la mise en œuvre des réponses dans les connaissances externes, RAG réduit considérablement la probabilité que les LLM générant des informations incorrectes ou fabriquées.
- Accès aux informations à jour: Les LLM ont une date de coupure de connaissances. RAG leur permet d’accéder et d’utiliser les informations actuelles qui n’étaient pas disponibles pendant leur formation.
- Amélioration de la précision et de la fiabilité: Les réponses sont plus précises et fiables car elles sont basées sur des sources vérifiées.
- Personnalisation et spécificité du domaine: Le chiffon peut être adapté à des domaines ou à des industries spécifiques en utilisant une base de connaissances pertinente dans ce domaine. Cela permet des réponses hautement spécialisées et précises.
- Explicabilité: Les systèmes de chiffon peuvent souvent fournir les documents source utilisés pour générer une réponse, augmenter la clarté et la confiance.
Rag vs réglage fin: quelle approche est la meilleure?
Le chiffon et le réglage fin sont des méthodes pour adapter les LLM à des tâches ou des domaines de connaissance spécifiques. Cependant, ils diffèrent considérablement:
| Fonctionnalité | CHIFFON | Réglage fin |
|---|---|---|
| Mise à jour des connaissances | Facile – Mettez simplement à jour la base de connaissances. | Nécessite de recycler l’ensemble du modèle. |
| Coût | Généralement moins cher. | Peut être coûteux en calcul. |
| Complexité | relativement plus simple à implémenter. | Plus complexe et nécessite une expertise dans l’apprentissage automatique. |
| Explicabilité | Des documents plus élevés – Source sont facilement disponibles. | Inférieur – les changements sont intégrés dans les paramètres du modèle. |
Le chiffon est généralement préféré lorsque:
- La base de connaissances est fréquemment mise à jour.
- L’explication est importante.
- Vous souhaitez éviter le coût et la complexité du recyclage d’un modèle.
Le réglage fin est généralement préféré lorsque:
- Vous devez modifier considérablement le comportement ou le style du LLM.
- La connaissance est relativement statique.
L’avenir du chiffon
Le chiffon est un champ en évolution rapide. Les développements futurs sont susceptibles d’inclure:
- Techniques de récupération avancées: Des méthodes plus raffinées pour identifier les informations pertinentes, y compris les approches hybrides qui combinent la recherche sémantique