Автоматизированная база знаний закупок RLT.HACK

Обзор

Проект направлен на разработку системы вопросов и ответов для эффективного обслуживания запросов поставщиков, используя передовые технологии обработки естественного языка.

Команда:

Мисисково

Результат:

1 место

Начало работы

Для развертывания нашего решения выполните следующие шаги:

git clone https://github.com/danzzzlll/RAG_RltHack.git
cd RAG_RltHack
pip install -r requirements.txt
python ./utils/saving_retriever # Для получения и сохранения индексов
streamlit run main.py

Подход к решению

Наш метод разделен на несколько ключевых этапов:

• Парсинг данных: Мы разобрали законы, постановления и форумы, относящиеся к Федеральным законам 44 и 223, собрав обширный набор данных.
• Обработка данных: Собранные документы были разделены на осмысленные части — статьи, разделы и подразделы, для удобства управления.
• Создание ретривера: Используя multilingual-e5-large для генерации векторных представлений и Voyage для быстрого поиска и индексации, нам удалось извлечь 40 или 60 релевантных частей на запрос.
• Оценка: Извлеченные части переоценивались с использованием antoinelouis/colbert-xm для выявления трех наиболее релевантных чанков.
• Создание промпта: Мы разработали промпты, нацеленные на уточнение обработки запроса.
• Настройка сервера: Был настроен сервер на базе Streamlit, предлагающий выбор закона, историю запросов, уровни уверенности и используемые источники.
• Обработка промпта: Входные данные обрабатывались с использованием GigaChat Pro и Mistral-instruct-v2 для генерации точных ответов.
• Предоставление ответа: Сервер отображает сгенерированный ответ, включая уровни уверенности и использованные источники.

Особенности

• Выбор закона: Пользователи могут выбирать конкретные законы, относящиеся к их запросам.
• История запросов: Отслеживает и отображает прошлые запросы для удобного справочника.
• Уровни уверенности и источники: Каждый ответ включает в себя уровни уверенности и используемые источники, обеспечивая прозрачность и надежность.