DeepRAG : Réfléchir à la récupération étape par étape pour les grands modèles de langage
Imaginez que vous planifiez un road trip et que vous demandez à votre assistant numérique : Quel est l’itinéraire le plus rapide vers les montagnes en ce moment ? Sans informations en temps réel, il suggère une autoroute en se basant sur des schémas de circulation obsolètes, vous laissant coincé dans une déviation. Mais avec des mises à jour du trafic en direct, il aurait détecté la fermeture et vous aurait guidé par un itinéraire panoramique plus rapide. Cela met en évidence une limite fondamentale des grands modèles de langage (LLM) : leur dépendance à des connaissances statiques, préentraînées, conduit souvent à des réponses obsolètes ou incomplètes.La génération augmentée par récupération (RAG) y remédie en combinant les LLM avec des sources de connaissances externes comme des bases de données ou des moteurs de recherche. Plutôt que de s’appuyer uniquement sur des connaissances stockées, la RAG récupère les informations pertinentes et les intègre dans la réponse du modèle. C’est utile pour répondre à des questions sur des événements récents ou des sujets spécialisés. Cependant, les systèmes RAG traditionnels sont loin d’être parfaits. Ils récupèrent souvent des informations non pertinentes, passent à côté de détails cruciaux ou gaspillent des ressources dans des recherches inutiles.DeepRAG, présenté dans l’article DeepRAG: Thinking to Retrieval Step by Step for Large Language Models, résout ces problèmes grâce à une approche plus adaptative. Au lieu de traiter la récupération comme une seule étape, il décompose les questions complexes en sous-requêtes plus petites et décide à chaque étape s’il doit s’appuyer sur les connaissances internes ou récupérer des données externes. Des techniques comme la recherche dans un arbre binaire, qui explore différents chemins de réponse, et l’apprentissage par imitation, où le modèle est entraîné à l’aide d’exemples d’experts, aident DeepRAG à ne récupérer que ce qui est nécessaire. Cette approche étape par étape réduit les recherches inutiles et améliore l’exactitude des réponses.Dans cet article, nous explorerons le fonctionnement de DeepRAG, analyserons ses composants clés et montrerons comment des bases de données vectorielles comme Milvus et Zilliz Cloud peuvent encore renforcer ses capacités de récupération.
Les limites des connaissances statiques et de la récupération naïve
Si les grands modèles de langage (LLM) excellent dans la génération de réponses cohérentes, ils montrent leurs limites lorsque les requêtes exigent des connaissances actuelles, spécifiques ou profondément contextuelles. Cela s’explique par le fait que leurs connaissances reposent sur des ensembles de données statiques collectés pendant l’entraînement, ce qui limite leur capacité à répondre à des questions nécessitant des informations en temps réel ou spécialisées. Une fois l’entraînement terminé, leurs connaissances sont figées, ce qui les rend peu fiables pour les requêtes qui exigent actualité, précision ou contexte dynamique.
Actualité : Pour des sujets comme l’actualité ou les mises à jour en direct, les LLM fournissent des informations obsolètes. Lorsqu’on leur demande : « Qui a remporté la Coupe du monde cette année ? », le modèle peut répondre en se basant sur des tournois passés plutôt que sur les résultats les plus récents.
Spécificité : Les LLM échouent souvent dans des domaines de niche comme la médecine, le droit ou les normes techniques, où des connaissances à jour ou hautement spécialisées sont essentielles. Par exemple, une requête sur les derniers traitements contre la maladie d’Alzheimer approuvés par la FDA peut produire des recommandations obsolètes.
Contexte dynamique : Les informations qui évoluent rapidement, comme les cours des actions, les tendances sur les réseaux sociaux ou les conditions météorologiques, sont hors de leur portée. Sans mises à jour externes, le modèle devine plutôt que de fournir des réponses éclairées.
La génération augmentée par récupération (RAG) étend les capacités des LLM en intégrant des informations externes provenant de bases de données, de moteurs de recherche ou d’API avant de générer des réponses. Cependant, les systèmes RAG traditionnels introduisent leur propre lot de problèmes :
Sur-récupération : Lorsque la RAG récupère trop de documents non pertinents, elle submerge le modèle de bruit, ce qui rend les réponses moins exactes. Par exemple, si on lui demande : « Qu’est-ce qui a causé les incendies de forêt de 2023 à Hawaï ? », un système RAG traditionnel pourrait récupérer une série d’articles sur la prévention des incendies de forêt ou des incendies historiques plutôt que sur la cause précise.
Sous-récupération : Des requêtes mal formulées ou trop larges peuvent entraîner l’omission de détails clés. Rechercher uniquement « causes des incendies de forêt à Hawaï » pourrait exclure des rapports d’enquête officiels qui attribuent la cause à des lignes électriques tombées.
Gaspillage computationnel : La récupération et le traitement de grands volumes d’informations inutiles augmentent les temps de réponse et les coûts sans améliorer la qualité de la réponse.
La racine de ces problèmes est que les systèmes RAG traditionnels traitent toutes les requêtes de la même manière, en récupérant des informations externes sans discernement, sans évaluer si cela est nécessaire. Ce manque d’adaptabilité entraîne des inefficacités pour les questions simples et des réponses incomplètes pour les questions complexes. Les requêtes simples, telles que « Qu’est-ce que la photosynthèse ? », ne nécessitent pas de récupération externe, car la réponse se trouve déjà dans les connaissances internes du modèle. En revanche, les questions complexes ou en plusieurs étapes, comme « Comparer l’efficacité des vaccins à ARNm selon différents groupes d’âge », exigent des informations externes et peuvent nécessiter de diviser la requête en sous-questions afin de récupérer les données les plus pertinentes.
Cette approche rigide met en évidence la nécessité d’un système plus adaptatif, capable d’équilibrer les connaissances internes et la récupération externe, en adaptant sa stratégie en fonction de la complexité et des exigences de chaque requête.
Comment DeepRAG adapte la récupération étape par étape
DeepRAG répond aux limites des systèmes RAG traditionnels en introduisant un processus adaptatif qui reflète la manière dont nous, en tant qu’humains, abordons les questions complexes. Au lieu de récupérer les informations d’un seul coup ou pour chaque requête, DeepRAG décompose les questions en sous-requêtes plus petites et plus faciles à gérer, et décide à chaque étape si des informations externes sont nécessaires. Ce processus adaptatif réduit les recherches inutiles et améliore la précision.
La clé de l’approche de DeepRAG réside dans la façon dont il structure et parcourt le processus de récupération. Plutôt que de traiter une requête comme un bloc unique, il suit un récit de récupération, une séquence logique dans laquelle chaque sous-requête s’appuie sur les étapes précédentes pour former progressivement une réponse complète. À chaque étape, DeepRAG prend des décisions atomiques pour déterminer s’il doit s’appuyer sur les connaissances internes ou récupérer des données externes, ce qui lui permet de rester efficace et concentré sur ce qui est réellement nécessaire pour répondre à la question.
Jetez un œil à l’illustration suivante, qui montre comment DeepRAG reflète la pensée humaine.
Figure 1: Illustration de la manière dont DeepRAG reflète la pensée humaine
En structurant le processus de raisonnement au moyen d’un récit de récupération bien défini et en prenant des décisions atomiques précises à chaque étape, DeepRAG garantit qu’il ne récupère des informations que lorsque c’est nécessaire et s’appuie sur les connaissances internes lorsque c’est approprié. Cette approche équilibrée conduit à des réponses plus efficaces et plus précises, tout en réduisant le coût computationnel associé à une récupération excessive ou non pertinente. Ce cadre adaptatif améliore non seulement la qualité des réponses, mais optimise également l’utilisation des ressources, faisant de DeepRAG une solution plus pratique et évolutive pour les tâches complexes de récupération d’informations.
Les composants fondamentaux derrière la récupération adaptative de DeepRAG
Le processus de récupération adaptative de DeepRAG repose sur une approche structurée qui décompose les questions complexes, prend des décisions éclairées sur le moment où récupérer des informations externes et affine ses stratégies de raisonnement grâce à l’entraînement. Ce processus est construit autour de quatre composants interconnectés : la modélisation par processus de décision markovien (MDP), la recherche dans un arbre binaire, l’apprentissage par imitation et une chaîne de calibration, qui fonctionnent tous ensemble pour équilibrer efficacité et précision dans les réponses aux questions.
Présentation du processus de décision markovien (MDP)
Au cœur du processus de prise de décision de DeepRAG se trouve le cadre du processus décisionnel de Markov (MDP) , qui aide le système à cartographier systématiquement les étapes nécessaires pour répondre à une question. Le MDP se compose de quatre éléments :
États (S) : Représentent la progression actuelle dans la réponse à une question. Un état inclut la question d’origine ainsi que toutes les sous-requêtes et leurs réponses correspondantes générées jusqu’à présent.
Actions (A) : À chaque état, le modèle prend deux décisions pour guider ses actions. La décision de terminaison détermine si le modèle doit s’arrêter et fournir une réponse finale ou continuer en générant des sous-requêtes. La décision atomique décide si le modèle doit utiliser ses connaissances internes ou récupérer des informations externes pour traiter la sous-requête suivante.
Transitions (P) : Définissent comment le système passe d’un état à un autre en fonction des actions choisies.
Récompenses (R) : Un système de notation qui récompense le modèle lorsqu’il trouve la bonne réponse tout en pénalisant les récupérations inutiles ou excessives.
Par exemple, supposons que l’on demande au système « Quelle est la durée totale de tous les films du Seigneur des anneaux ? ». L’état initial s_0 ne contient que la question. La première action du modèle pourrait être de générer une sous-requête comme « Quels sont les titres des films du Seigneur des anneaux ? ». Il décide ensuite s’il doit utiliser ses connaissances internes ou récupérer des données externes. Une fois qu’il dispose de la liste des films, le système passe à un nouvel état s_1, qui contient désormais les titres des films. Ensuite, il génère des sous-requêtes telles que « Quelle est la durée de La Communauté de l’anneau ? » et continue à prendre des décisions similaires jusqu’à ce qu’il collecte toutes les informations nécessaires. Enfin, il additionne les durées et fournit le total, atteignant un état terminal.
Stratégie de recherche par arbre binaire
Pour gérer efficacement ce processus de prise de décision, DeepRAG utilise une recherche par arbre binaire. Cette stratégie permet au système d’explorer plusieurs chemins de raisonnement en traitant chaque décision comme un nœud dans un arbre. Pour chaque sous-requête, DeepRAG génère deux branches :
Une branche représente l’utilisation des connaissances paramétriques (connaissances internes).
L’autre représente la récupération de documents externes.
À mesure que le système explore l’arbre, il construit un récit de récupération, qui est une séquence de sous-requêtes et de réponses menant à la réponse finale. La recherche par arbre binaire aide le modèle à évaluer différents chemins de raisonnement, en décidant quand la récupération est nécessaire et quand les connaissances internes suffisent.
Cette approche permet à DeepRAG de décomposer des requêtes complexes en sous-requêtes plus petites et gérables, et de prendre des décisions adaptatives à chaque étape. En parcourant l’arbre binaire, le modèle peut équilibrer le compromis entre le recours aux connaissances pré-entraînées et la récupération de données externes, améliorant ainsi, en fin de compte, la précision et l’efficacité des réponses. La nature structurée de la recherche par arbre binaire garantit que DeepRAG ne récupère des informations que lorsqu’elles sont essentielles, tout en évitant les récupérations inutiles, optimisant ainsi les ressources de calcul tout en maintenant la qualité des réponses.
Apprentissage par imitation
Bien que la recherche par arbre binaire aide DeepRAG à explorer les chemins de raisonnement, il doit encore apprendre quels chemins sont les plus efficaces. C’est là que l’apprentissage par imitation joue un rôle. L’apprentissage par imitation enseigne à DeepRAG en montrant des exemples de chemins de raisonnement optimaux, ceux qui aboutissent à des réponses correctes tout en minimisant les récupérations, en suivant l’algorithme suivant.
Figure : Algorithme utilisé par DeepRAG pour construire des chemins de raisonnement optimaux.
La figure ci-dessus décrit comment DeepRAG construit des chemins de raisonnement optimaux à l’aide de l’apprentissage par imitation. Le système emploie une file de priorité pour explorer les trajectoires de raisonnement, en privilégiant les chemins comportant moins de récupérations. Voici comment fonctionne l’algorithme :
Initialisation : Il commence par placer la question originale dans une file de priorité avec un nombre de récupérations égal à zéro.
Exploration des chemins : L’algorithme retire de la file le chemin comportant le moins de récupérations et génère la sous-requête suivante.
Prise de décision : À chaque étape, le modèle décide s’il doit s’arrêter et fournir une réponse finale (décision de terminaison) ou continuer à générer des sous-requêtes.
Génération de réponse : Si le modèle choisit de répondre directement, il ajoute ce chemin à nouveau dans la file. S’il décide de récupérer des documents, il ajoute le nouveau chemin avec un nombre de récupérations incrémenté.
Terminaison : Le processus se poursuit jusqu’à ce que l’algorithme identifie un chemin de raisonnement qui atteint la bonne réponse avec le moins de récupérations possible.
Chaîne de calibration
Même après l’apprentissage par imitation, DeepRAG peut avoir du mal à savoir quand récupérer des informations externes plutôt que de s’appuyer sur ses connaissances internes. Pour affiner son processus décisionnel, DeepRAG utilise une chaîne de calibration, qui ajuste finement le comportement de récupération du modèle à partir de paires de préférences, des exemples qui indiquent l’action privilégiée (récupération ou connaissances internes) pour chaque sous-requête.La chaîne de calibration ajuste la prise de décision du modèle à l’aide de la fonction de perte suivante :
L = - log σ [ β log ( πθ(yw | si, qi) / πref(yw | si, qi) ) - β log ( πθ(yl | si, qi) / πref(yl | si, qi) ) ]
Voici comment fonctionne la formule :
σ est la fonction logistique, qui normalise les sorties du modèle.
β est un hyperparamètre qui contrôle la pénalité en cas d’écart par rapport au chemin de décision préféré.
πθ(yw | si, qi) représente la probabilité de répondre à la sous-requête qi dans l’état si en utilisant les connaissances paramétriques.
πθ(yl | si, qi) représente la probabilité de répondre à la sous-requête sur la base de documents récupérés.
πref est le modèle de référence utilisé comme base de comparaison.
Cette fonction de perte encourage le modèle à privilégier le chemin de raisonnement le plus efficace, en décidant s’il doit utiliser ses connaissances internes ou récupérer des données externes, sur la base des exemples optimaux fournis pendant l’apprentissage par imitation. Si le modèle récupère des informations inutilement ou ne les récupère pas lorsqu’elles sont nécessaires, la chaîne de calibration corrige ces tendances, aidant le système à atteindre un équilibre entre efficacité et précision.
La figure suivante illustre comment DeepRAG intègre la recherche par arbre binaire, l’apprentissage par imitation et la chaîne de calibration pour construire des chemins de raisonnement efficaces. Elle montre le processus étape par étape de décomposition des requêtes, de prise de décision et de calibration du modèle, qui permet à DeepRAG d’équilibrer connaissances internes et récupération externe.
Figure : _Un aperçu du cadre DeepRAG comprend trois étapes_Grâce à l’intégration de la modélisation MDP, de la recherche par arbre binaire, de l’apprentissage par imitation et de la chaîne de calibration, DeepRAG parvient à un processus de récupération adaptatif capable de traiter des questions complexes en plusieurs étapes.
Les performances de DeepRAG sur les benchmarks
Après avoir affiné sa stratégie de récupération et son processus de raisonnement adaptatif, DeepRAG démontre de solides performances sur plusieurs benchmarks de questions-réponses (QA) en domaine ouvert. Ces benchmarks évaluent la capacité de DeepRAG à décomposer des requêtes complexes, à prendre des décisions de récupération efficaces et à générer des réponses précises, même dans des scénarios dynamiques ou multi-sauts. DeepRAG a été évalué sur cinq jeux de données diversifiés : HotpotQA et 2WikiMultihopQA pour les QA factuelles multi-sauts, CAG pour les requêtes sensibles au temps, et PopQA et WebQuestions pour les tâches de QA en domaine ouvert. Chaque jeu de données présente des défis uniques, tels que le raisonnement en plusieurs étapes, les changements temporels dans les données, ou la gestion de requêtes hors distribution.
Sur HotpotQA, DeepRAG atteint un score F1 de 51.54, surpassant des méthodes comme UAR (34.2) et FLARE (32.0). Dans 2WikiMultihopQA, qui nécessite un raisonnement multi-sauts complexe, DeepRAG obtient 53.25 en F1, dépassant les modèles de référence qui peinent souvent avec les requêtes en plusieurs étapes. Pour les tâches sensibles au temps comme CAG, DeepRAG atteint un score Exact Match (EM) de 59.8, surpassant les systèmes RAG traditionnels. Dans les jeux de données de QA en domaine ouvert tels que PopQA et WebQuestions, DeepRAG atteint des scores EM de 43.2 et 38.8, respectivement, maintenant une grande précision tout en réduisant les récupérations inutiles. Ces résultats mettent en évidence la capacité de DeepRAG à équilibrer l’efficacité de la récupération et la précision des réponses, surpassant les systèmes RAG traditionnels et les récupérateurs denses en décidant efficacement quand récupérer des informations externes et quand s’appuyer sur ses connaissances internes.
Intégrer DeepRAG avec des bases de données vectorielles pour une récupération améliorée
L’une des forces de DeepRAG est sa capacité à décider quand récupérer des informations externes et quand s’appuyer sur des connaissances internes. Cependant, la qualité et l’efficacité de la récupération dépendent également du système qu’il utilise pour stocker et rechercher les données. C’est là que les bases de données vectorielles comme Milvus et Zilliz Cloud améliorent les performances de DeepRAG, en offrant des solutions évolutives et efficaces pour gérer de grands volumes de données non structurées.
Les bases de données vectorielles stockent les données sous forme de vecteurs de grande dimension, permettant des recherches de similarité rapides et précises. Dans le flux de travail de DeepRAG, lorsque le système génère une sous-requête nécessitant des informations externes, il peut interroger une base de données vectorielle comme Milvus afin de trouver les documents les plus pertinents sur la base de la similarité sémantique. Cette approche améliore à la fois la vitesse et la pertinence des données récupérées, ce qui a un impact direct sur la qualité des réponses de DeepRAG.
Milvus est une base de données vectorielle open-source optimisée pour les recherches de similarité à haute performance, capable de gérer des données vectorielles à l’échelle du milliard. Zilliz Cloud, construit au-dessus de Milvus, offre une solution cloud managée qui simplifie la mise à l’échelle et la maintenance. Ces bases de données fournissent l’infrastructure dont DeepRAG a besoin pour effectuer des récupérations efficaces, en particulier pour les applications à grande échelle.
Exemple : Automatisation du support client Considérez un système de support client intégré à DeepRAG et Milvus pour traiter des requêtes client complexes. Un utilisateur soumet la question : « Comment puis-je transférer mon compte à un autre utilisateur et m’assurer que mes informations de facturation sont mises à jour ? » Cette question implique plusieurs étapes et nécessite des informations provenant de différentes sections de la documentation d’une entreprise.
Étape 1 – Génération de sous-requêtes : DeepRAG commence par décomposer la requête complexe en sous-requêtes plus petites et gérables. Dans ce cas, il identifie deux sous-questions distinctes : « Comment transférer un compte à un autre utilisateur ? » et « Comment mettre à jour les informations de facturation ? ». Cette décomposition permet à DeepRAG de se concentrer sur la réponse à chaque partie de la demande de l’utilisateur individuellement, améliorant à la fois l’efficacité de la récupération et la qualité de la réponse finale.
Étape 2 – Récupération avec Milvus : Une fois les sous-requêtes générées, DeepRAG utilise Milvus pour rechercher des documents pertinents. Chaque sous-requête est convertie en vecteur et mise en correspondance avec les documents stockés dans Milvus, qui sont également indexés sous forme de vecteurs. Pour la première sous-requête, le système récupère un document intitulé « Transfert de la propriété d’un compte », détaillant les étapes nécessaires pour transférer un compte. Pour la deuxième sous-requête, il trouve un document appelé « Mise à jour de vos informations de facturation », qui explique comment les utilisateurs peuvent modifier leurs informations de paiement. La recherche sémantique de Milvus garantit que seuls les documents les plus pertinents sont récupérés, minimisant les données inutiles.
Étape 3 – Assemblage de la réponse : Après avoir récupéré les documents, DeepRAG traite les informations afin d’extraire les détails les plus utiles. Il parcourt le contenu des articles récupérés et résume les étapes essentielles. Pour la sous-requête de transfert de compte, DeepRAG génère une réponse comme : « Pour transférer votre compte, allez dans Paramètres > Gestion du compte et sélectionnez “Transférer la propriété”. Saisissez les informations du nouvel utilisateur et confirmez la modification. » Pour la mise à jour de la facturation, il produit : « Pour mettre à jour les informations de facturation, accédez aux paramètres de facturation et cliquez sur “Modifier le mode de paiement”. Effectuez les modifications nécessaires et enregistrez. » Cette étape garantit que les utilisateurs reçoivent des instructions claires et concises, adaptées à leurs questions spécifiques.
Étape 4 – Réponse finale : Enfin, DeepRAG combine les réponses individuelles en une réponse cohérente, répondant directement à la requête en plusieurs parties de l’utilisateur. Le système fusionne les indications issues des deux sous-requêtes en une réponse fluide, fournissant à l’utilisateur toutes les informations dont il a besoin sans lui faire lire plusieurs documents. Cette intégration des sous-réponses aboutit à une réponse complète et utile qui résout efficacement le problème de l’utilisateur.
Dans cet exemple, l’intégration de DeepRAG avec Milvus permet au système de traiter efficacement des requêtes complexes. Le raisonnement étape par étape de DeepRAG, combiné à la récupération rapide et précise de Milvus, garantit que l’utilisateur obtient une réponse précise et complète sans avoir à parcourir des documents non pertinents.
Cette approche met en évidence la manière dont les bases de données vectorielles comme Milvus et Zilliz Cloud peuvent améliorer le processus de récupération de DeepRAG, ce qui le rend bien adapté aux applications réelles où une récupération d’informations efficace et précise est essentielle.
Orientations futures pour DeepRAG
Bien que DeepRAG ait réalisé des progrès significatifs dans la génération augmentée par récupération, certains domaines de recherche futurs pourraient encore renforcer ses capacités :
Intégration de la récupération multimodale : Étendre DeepRAG pour traiter des données multimodales telles que des images, de l’audio et des vidéos élargirait considérablement son applicabilité. Cette amélioration permettrait au système de traiter et de récupérer des informations à partir de sources diverses, lui permettant de répondre à des requêtes plus complexes nécessitant des connaissances au-delà du texte. Par exemple, dans un contexte médical, DeepRAG pourrait récupérer à la fois des rapports textuels et des images médicales pertinentes afin de fournir une réponse plus complète.
Décisions de récupération tenant compte du contexte : Améliorer la capacité de DeepRAG à prendre des décisions de récupération plus sensibles au contexte constitue une prochaine étape cruciale. Actuellement, le système s’appuie sur son cadre fondé sur les MDP pour décider quand récupérer des données externes, mais les futures itérations pourraient intégrer une compréhension plus nuancée de l’intention et du contexte de la requête. Cela aiderait le modèle à mieux évaluer quand la récupération est nécessaire et à adapter son approche aux requêtes complexes ou ambiguës, améliorant ainsi à la fois l’efficacité et la précision.
Récupération de données en temps réel et dynamiques :Renforcer la capacité de DeepRAG à accéder à des sources de données en temps réel et à les traiter le rendrait plus efficace pour les applications sensibles au facteur temps. L’intégration de flux de données en direct, tels que des fils d’actualité ou des mises à jour des marchés boursiers, permettrait à DeepRAG de traiter des requêtes nécessitant des informations à jour. Cette capacité serait particulièrement précieuse dans des domaines comme la finance, l’agrégation d’actualités ou l’intervention d’urgence, où l’accès aux données les plus récentes est essentiel.
Conclusion
DeepRAG fait progresser la génération augmentée par récupération en combinant une décomposition adaptative des requêtes avec des stratégies de récupération efficaces, ce qui conduit à des réponses plus précises tout en minimisant les recherches inutiles. Ses solides performances sur différents benchmarks mettent en évidence sa capacité à gérer des requêtes complexes en plusieurs étapes avec un raisonnement amélioré et une meilleure efficacité de récupération. Bien que le modèle de base fonctionne de manière indépendante, l’intégration de DeepRAG avec des bases de données vectorielles comme Milvus et Zilliz Cloud peut encore renforcer ses capacités de récupération dans des applications à grande échelle. Grâce à de futures améliorations en matière de récupération multimodale, de décisions tenant compte du contexte et d’accès aux données en temps réel, DeepRAG est bien placé pour devenir une solution polyvalente et puissante pour un large éventail de tâches complexes de récupération d’informations.
Ressources complémentaires
Articles scientifiques :
[2502.01142] DeepRAG : Penser à la récupération étape par étape pour les grands modèles de langage
[2404.19456] Étude des méthodes, environnements et métriques d’apprentissage par imitation
Articles :
Continuer à lire
Zilliz Cloud Now Available in AWS Europe (Ireland)
Zilliz Cloud launches in AWS eu-west-1 (Ireland) — bringing low-latency vector search, EU data residency, and full GDPR-ready infrastructure to European AI teams. Now live across 30 regions on five cloud providers.
Zilliz Cloud Audit Logs Goes GA: Security, Compliance, and Transparency at Scale
Zilliz Cloud Audit Logs are now GA, giving enterprises real-time visibility, compliance-ready trails, and stronger security across AWS, GCP, and Azure.
Zilliz Cloud Update: Smarter Autoscaling for Cost Savings, Stronger Compliance with Audit Logs, and More
What's new in Zilliz Cloud? Smarter autoscaling with scale-down, audit logs GA, enhanced SSO, and Milvus 2.6 in Private Preview.