Optimisation d'un chatbot Helpdesk basé sur des chiffons: Amélioration de la précision avec PGVector

Introduction

Dans mon article précédent, j'ai couvert la façon dont j'ai implémenté PGVector dans un système RAG (Retrieval-Augmented Generation) pour un chatbot d'assistance. Bien que le système ait bien fonctionné, des problèmes de précision sont survenus:

• Certains articles récupérés de Helpdesk n'étaient pas pleinement pertinents
• Le chatbot a parfois mal interprété le contexte de la requête
• Longues réponses du contenu récupéré confus GPT

Pour les résoudre, j'ai optimisé le processus de récupération, amélioré la qualité d'intégration et raffiné la génération de réponse de GPT. Dans cet article, je vais parcourir les optimisations qui ont amélioré la précision du modèle.

Optimisations clés pour une précision plus élevée

Pour améliorer la précision, je me suis concentré sur trois domaines clés:

1️⃣ Améliorer le prétraitement des requêtes: nettoyage et reformulant les requêtes utilisateur 2️⃣ Metter Retrieval Strategies: Amélioration des résultats de recherche PGVector 3️⃣ Raffiner la génération de réponse: donner à GPT un contexte structuré

1. Améliorer le prétraitement de la requête

Les requêtes utilisateur sont souvent ambiguës, non structurées ou trop courtes. Par exemple:

• Entrée de l'utilisateur: "Issue VPN" → Trop vague
• Metter Reformulate Query: "Comment résoudre les problèmes de connexion VPN sur Windows?"

Améliorations du prétraitement des requêtes

✅ Expansion du synonyme: étendue des requêtes utilisateur avec des synonymes pertinents ✅ Normalisation des requêtes: LowerCasing, Suppression des caractères spéciaux ✅ Extension rapide: reformuler l...
[Courte citation de 8% de l'article original]