Base ya Makambo ya Clevi

1. Bandelo ya Catastrophic Forgetting mpe RAG

Ntango AI ekɔtisami na misala ya solosolo, moko ya mitungisi minene ezali likambo ya kobungisa makambo oyo bayekolaki liboso (Catastrophic Forgetting), oyo ebimaka ntango bazali kosala finetuning ya boyebi oyo bayekolaki liboso na ba données ya sika.

Ezali likambo oyo AI oyo etongami likoló ya réseau neuronal ebungisaka nokinoki boyebi to ba modèles oyo eyekolaki liboso ntango ezali koyekola makambo ya sika.

Na ndakisa, soki basali finetuning ya LLM ya source ouverte na ba données ya kompanyi moko boye, boyebi ya monene to makoki ya monɔkɔ ekoki kokita.

Mpo na kokima mokakatano oyo, basalelaka mingi mayele ya RAG(Retrieval-Augmented Generation), kasi RAG mpe ezali na bandelo na yango.

Bandelo ya monene ya RAG

• Kosala malamu te ya ba données structurées (Structured Data QA): Ba systèmes ya RAG ebongisami mingimingi mpo na mikanda ya makomi oyo ebongisami te, yango wana ekoki kososola to kosalela malamu te ndimbola mpe boyokani ya ba données structurées (tableaux, ba bases de données, ba feuilles de calcul, mpe bongo na bongo).
• Bandelo ya ba PDF ya mindondo/mikanda ebongisami te (Complex PDFs): Mikanda ya PDF ya mindondo (oyo ezali na tableaux, makonzí mingi, bililingi, mpe bongo na bongo) ekoki kobungisa makambo to kobebisa contexte na ntango ya chunking (kokabola). Yango ekoki kosala ete ba données ya ntina ekozala indexé te to ezala mpasi koluka yango.
• Kozanga modèle ya Fallback (Fallback Model(s)): Ntango système ya RAG ezwi eyano ebongi te, logique ya kobongola na modèle mosusu (ya lisungi) ekoki kozanga to kosala malamu te. Yango esalaka ete ntango eyano elongi te, mosaleli azwa likambo mosusu oyo ekoki kosepelisa ye te.
• Bolɛmbu ya bokengi (LLM Security): Lokola bokɛngɛli mpo na bolɛmbu ya bokengi ya LLM yango moko (prompt injection, kobima ya ba données, mpe bongo na bongo) ezali malamu te, ezali na likama ete makambo ya sekele emonana.
• Kozanga makoki ya kokola (Data Ingestion Scalability): Mikakatano ya makoki ya kokola ebimaka na ntango ya kosala index mpe kobomba ba données ebele. Soki ba données ekómi mingi, mbangu ya chunking, kobomba, mpe koluka ekitaka, mpe mokumba ya système ekómaka monene.
• Kozanga makambo ya ntina (Missing Content): Mbala mingi, makambo ya ntina ya mokanda ebungaka na ntango ya chunking to ezalaka indexé te. Yango esalaka ete mosaleli akoka koluka te makambo oyo azali na mposa na yango.
• Kozanga ba éléments oyo ezali na molɔngɔ ya likoló (Missed Top Ranked): Na kati ya mbano ya boluki, chunk oyo ezali mpenza na boyokani mingi (oyo ezali na molɔngɔ ya likoló) ekoki kozanga. Bantina ezali bandelo ya algorithme ya boluki, kokita ya lolenge ya embedding, mabunga ya classement, mpe bongo na bongo.
• Kozanga boyokani ya contexte (Not in Context): Mbala mingi, chunk oyo ezwami na boluki eyokanaka te na contexte ya motuna ya solo. Yango euti na bandelo ya boluki oyo etalelaka kaka bokokani, mpe ezali na boyokani ya ndimbola oyo ekoki te.
• Libunga ya format (Wrong Format): Lolenge ya chunk oyo ezwami na boluki ekoki kozala ebongi te mpo LLM esalela yango, to ekoki kokesana na format ya eyano oyo mosaleli alingi. Na ndakisa, ntango tableau ebongolami na makomi, makambo ekoki kobeba.
• Kolongola makambo elongi te (Not Extracted): Makambo oyo esengeli ekoki kolongolama malamu te na chunk, to LLM ekoki koyeba yango te. Yango emonanaka mingi na mitindo ya bafraze ya mindondo, tableaux, bililingi, mpe bongo na bongo.
• Bonene/profonde ya makambo ebongi te (Incorrect Specificity): Eyano ekoki kozala ya monene mingi mpo na motuna, to na ngambo mosusu ya sikisiki koleka, mpe na yango eyokana te na mposa ya solo ya mosaleli. Ezali mpasi kobongisa bonene mpe bozindo ya makambo.
• Eyano ezangi kokoka (Incomplete): Na nsuka, eyano oyo ebimisami ekoki kozala ya kokoka te, to kopesa kaka ndambo ya makambo, mpe na yango ekokisa mposa ya mosaleli mobimba te. Bantina ekoki kozala ete makambo ya ba chunk mingi esangisami te, to LLM esaleli kaka ndambo na yango.

Na ndenge oyo, lokola RAG etalelaka mingi koleka boluki ya bokokani ya ba-vecteur ya pete mpe indexation oyo etongami na ba-chunk, bandelo na yango na makambo ya bondimi, bokoli mpe bosikisiki emonanaka polele na misala ya solo.

2. Base de données sémantique ya CLEVI oyo elongi bandelo ya RAG

Mpo na kolonga bandelo wana, CLEVI esali biloko ya sika ya infrastructure ya boyebi ya AI, ebongisami mpo na boyokani ya ndimbola, bososoli ya biloko ya mindondo mpe biyano oyo esimbami na bilembeteli, oyo ezali Clevi Semantic Database.

Ezali solution oyo ekoki kosalema mpo CLEVI ezali na ba-modèles na yango moko ya Reasoning, AI multimodal mpe ba-modèles ya AI ya lolenge ya agent; ezali mpe moko ya mayele makasi oyo ekeseni ya CLEVI, oyo esalaka ete AI ekoka kosalisa mpenza na bomoi ya solo.

Mpo na kopesa ndakisa, soki tobengi bibliothèque base de données oyo makambo ebombami, tokoki kokanisa ete base de données sémantique ya CLEVI ezali na bibliothécaire moko ya mayele mingi. (Soki osɛngi bibliothécaire makambo oyo osengeli na yango, okoki kozwa eyano ya sikisiki mpe ya mbangu.)

Mosaleli akoki kobakisa makambo ya sika na bibliothèque mpe kozongisa makambo oyo esengeli ntango nyonso.

Lisusu, akoki kobongisa ndenge oyo alingi kotambwisa ba-version ya ba-données mpe ndingisa ya kokɔta.

Lokola misala nyonso ya bibliothécaire etikalaka na log (mokanda), ata soki libunga esalemi, ekoki kobongisama.

<Clevi Semantic Database Structure>

Makambo ya ntina mpe ebongiseli ya tekiniki

Bobombi ya ba-données sémantique

• Na esika ya kozala kaka chunk vectorDB, ebombaka boyokani ya ndimbola kati na ba-données (konteksti, ba-niveau, ntina mpe mbuma, mpe bongo na bongo) na graphique DB
• Ezali pete kokómisa yango monene mpe kobakisa yango na lolenge ya graphique ya boyebi/ réseau sémantique

Boluki mpe bososoli ya hybride

• CTA+Context Query: etalelaka elongo contexte (Context) ya motuna mpe CTA
• Hybrid Retrieval: esangisaka bokokani ya ba-vecteur na boluki oyo etongami na mibeko/graphique
• Intelligent Folder Hits: elukaka yango moko ba-dossiers/ba-catégories oyo ezali na boyokani ya ndimbola

Kosala ba-modalités ebele na mbala moko

• TextReader Pool, VisionReader Pool mpe bongo na bongo e interpréter na mbala moko ba-données ndenge na ndenge lokola makomi, bililingi, batabolo mpe mongongo
• Atako RAG ya kala ekoki mingimingi kosala kaka na makomi, base de données sémantique ezali na makoki makasi ya kosala na ba-modalités ebele

Biyano oyo esimbami na bilembeteli mpe bondimisi ya bondimi

• Doc Summaries & Citations, Table Findings mpe kosala na ndenge ya automatique bokuse ya mikanda mpe maziba
• Merge & Verify: kosangisa na ndimbola sango oyo euti na maziba mingi mpe kotala bondimi na yango
• Evidence Pack: kopesa forfait ya biyano oyo etongami na bilembeteli

Bososoli ya makambo ya mindondo mpe planificateur

• Planner/DAG: kosala mwango ya matambe na matambe mpe bososoli oyo etongami likoló ya DAG (Directed Acyclic Graph) mpo na mituna ya mindondo

Ebongiseli ya ba-agents oyo esangisami

• cip-5-agent Supervisor: agent ya likoló oyo etambwisaka mpe ebongisaka mosala mobimba ya koluka, kososola mpe kosangisa

3. Bokuse mpe bokokanisi ya ebongiseli

Na mokuse, Semantic DB eyambaka makambo ya lolenge ndenge na ndenge (mongongo, makomi, bililingi, bavideo, mpe bongo na bongo) mpe ekabolaka boyebi na kokangisa kaka biteni te, kasi mpe boyokani ya ndimbola kati na makambo (makambo oyo ezingeli yango, biteni, ntina mpe mbano, mpe bongo na bongo).

Na kotalela yango, lokola RAG te oyo esalelaka koluka na kotalela maloba ya ntina to bokokani, yango esalelaka boyokani ya ndimbola mpo na koluka mpe kososola; na yango, okoki kozwa na AI boluki ya sango mpe biyano ya sikisiki mingi koleka.

Lisusu, lokola ebombamaka na lolenge ya grafe ya boyebi to réseau sémantique, ezali pete kokoba kokolisa mpe kobakisa yango.

CLEVI emonaki bandelo ya ba-système RAG na eleko ya mbongwana monene ya AI, mpe na nzela ya base de données sémantique mpe modèle ya AI oyo esali yango moko, ekoki sikawa kopesa bakiliya biyano ya mbangu na makambo ya sikisiki mpe ya kotyelama motema mingi.

Système ya AI ya CLEVI ekoki kopesa motuya na makambo ya motuya ya bakiliya, ata na esika nini mpe ata soki domaine ezali nini.

Na mikolo ekoya mpe, CLEVI ekosala nyonso oyo ekoki mpo na kobakisa motuya ya makambo ya bakiliya mingi mpe kopesa bango mayele ya sika ya AI.

Tosengi bino bózwa likoki ya komona mikolo ezali koya ya AI ya sika elongo na CLEVI.

Mituna mpe kosenga démonstration: [email protected]

Copyright© 2025 Clevi Inc. All rights reserved.