RAG
立即找到您需要的证据。
在用户可以访问的源中搜索相关段落和位置，而无需对每个新文档进行重新培训。
- 立法、判例法和专利文件
- 手册和工作场所政策
- 案例、客户和项目文件
以您的信息为基础。
根据您的标准塑造。
根据需要从设备数据、法规、专利和工作文档中获取证据。让 AI 学习您已经证明的写作、分类和审阅模式。
每个AI都会回答吗
还需要有人
重写它？
仅提供信息并不能教会人工智能您的组织如何运作。
最新文件再次找到他们
按照您组织的格式再写一次
缺少细节和措辞再次纠正它们
问题不在于你拥有多少信息。
要检索的证据和 学习标准需要不同的方法。
为了让人工智能学习你的工作流程，
你应该先准备什么？
从工作文档和经过验证的写作和审查示例开始。 RAG 寻找相关证据，同时微调教会您的工作方法。
输入
发明材料
发明公开内容、说明书、附图和权利要求书
RAG
当前专利信息
KIPRIS 候选者、出版物和注册详细信息以及现有技术来源
Fine-Tuning
您的比较格式
索赔要素细分和审查表结构
准备审查
与证据相关的比较草案
供专家评审的文件、要素和后续研究
专利律师和相关专家评估新颖性、创造性、侵权和最终提交。
分离检索的AI
来自学习的人工智能。
RAG和微调解决不同的问题。他们可以在同一工作流程中一起工作。
信息和工作方法一稿相见→
Fine-Tuning
在这里了解什么是好的结果。
使用经过验证的示例和修订历史来教授模型的重复结构、分类规则和写作模式。
- 文档结构和写作风格
- 类别和状态值
- 审查顺序和完整性检查
并予以审核通过。
基于证据和标准的草稿经过审查和批准，然后保存。
- 收集信息
- 检索证据
- 应用您的格式
- 专家评审
- 批准并保存
除了聊天之外。
人工智能可以学习并利用组织的知识。
管理工作空间中的信息和权限，并检查 RAG 索引以及微调准备、培训和评估。
RAG
查看哪些信息可供搜索。
检查文档和嵌入状态，并合并新信息而无需重新培训。
Fine-Tuning Plugin
将原始材料转化为训练就绪数据。
将 XML、HTML、JSON 和 TXT 文件在一处转换为数据集，以进行预训练或监督微调。
您的组织是否
需要微调吗？
当目标是从当前文档中查找并回答时，请从 RAG 开始。当您有足够的经过验证的示例并且需要重复应用相同的标准时，请考虑进行微调。
开始时使用 RAG
- 信息经常变化
- 原始来源很重要
- 每个问题都需要不同的事实
考虑微调时
- 您有可重复的、经过验证的示例
- 您使用定义的结构和分类规则
- 人们不断地纠正同样的错误
让人们负责
- 最终法律和医学判决
- 证据不足的新例外
- 承担责任的批准和行动
一个人工智能基础。
每个行业都有不同的专业知识。
每个行业都需要不同的证据和反复出现的判断模式。决定使用 RAG 检索什么以及通过逐个任务进行微调来学习什么。
| 工业 | 使用 RAG 检索 | 通过微调学习 | 由人决定 |
|---|---|---|---|
法律和专利专业文件，证据可追溯 | 现行立法、判例法、专利和案例档案 | 诉状结构、索赔比较表和审查风格 | 法律策略、专利性和最终提交 |
制造及设备从现场记录到可操作的报告 | 手册、检查历史记录、错误代码和设备文件 | 异常类别、行动报告和现场术语 | 根本原因确认、维护和运营决策 |
医疗保健和研究保持源记录和研究格式的连接 | 源记录、方案、研究文件和支持论文 | CRF 叙述、分类标准和审核模板 | 医学判断、参与者安全和研究批准 |
金融保险将法规与组织审查标准联系起来 | 产品条款、法规和客户提交内容 | 审查项目、理由说明和风险分类格式 | 批准、拒绝、例外和风险决策 |
教育和内容当前信息。一致的声音。 | 教科书、课程材料和当前参考文献 | 反馈风格、标题和内容结构 | 学习目标、评估和发布决策 |
训练前，
定义好结果意味着什么。
- 选择有代表性的任务
选择一项您可以评估其结果的重复任务。
- 将证据与标准分开
区分当前的知识，从好的例子中检索来学习。
- 测量基线
记录当前模型的错误和专家修改时间。
- 小规模训练和评估
使用相同的评估集来比较格式、遗漏和证据。
- 逐步推出并完善
在专家批准的范围内开始并收集经过审查的更正。
从您的组织做得好的一件事开始。
为人工智能提供一种学习方法。
查看您的文档和有力的示例，然后确定 RAG 可以解决什么问题、哪些方面可以进行微调以及哪些方面需要专家批准。