Méthodes avancées de découpage

Retrieval Augmented Generation (RAG) avec LangChain

Meri Nova

Machine Learning Engineer

Limites de nos méthodes actuelles

 

  1. 🤦 Découpages naïfs (sans contexte)

    • Ignore le contexte du texte voisin

  2. 🖇 Découpage par caractères vs. jetons

    • Les modèles traitent des jetons
    • Risque de dépasser la fenêtre de contexte

 

→ SemanticChunker

 

→ TokenTextSplitter

Retrieval Augmented Generation (RAG) avec LangChain

Découper par jetons

Un découpeur par caractères qui segmente le texte selon le nombre de caractères.

Retrieval Augmented Generation (RAG) avec LangChain

Découper par jetons

Un découpeur par jetons qui segmente le texte selon le nombre de jetons.

Retrieval Augmented Generation (RAG) avec LangChain

Découper par jetons

Les jetons sont surlignés pour montrer l’alignement avec chunk_size et chunk_overlap.

Retrieval Augmented Generation (RAG) avec LangChain

Découper par jetons

import tiktoken
from langchain_text_splitters import TokenTextSplitter
example_string = "Mary had a little lamb, it's fleece was white as snow."

encoding = tiktoken.encoding_for_model('gpt-4o-mini')
splitter = TokenTextSplitter(encoding_name=encoding.name,
                             chunk_size=10,
                             chunk_overlap=2)


chunks = splitter.split_text(example_string)

for i, chunk in enumerate(chunks):
    print(f"Chunk {i+1}:\n{chunk}\n")
Retrieval Augmented Generation (RAG) avec LangChain

Découper par jetons

Chunk 1:
Mary had a little lamb, it's fleece

Chunk 2:
 fleece was white as snow.
Retrieval Augmented Generation (RAG) avec LangChain

Découper par jetons

for i, chunk in enumerate(chunks):
    print(f"Chunk {i+1}:\nNo. tokens: {len(encoding.encode(chunk))}\n{chunk}\n")

Chunk 1:
No. tokens: 10
Mary had a little lamb, it's fleece was

Chunk 2:
No. tokens: 6
 fleece was white as snow.
Retrieval Augmented Generation (RAG) avec LangChain

Découpage sémantique

Un paragraphe avec une phrase sur les applications RAG et une phrase sur les chiens.

Retrieval Augmented Generation (RAG) avec LangChain

Découpage sémantique

Le paragraphe a été découpé avec des caractères ou des jetons, ce qui a fait perdre le contexte.

Retrieval Augmented Generation (RAG) avec LangChain

Découpage sémantique

Un découpeur sémantique coupe le paragraphe au changement de sujet, de RAG à chiens.

Retrieval Augmented Generation (RAG) avec LangChain

Découpage sémantique

from langchain_openai import OpenAIEmbeddings
from langchain_experimental.text_splitter import SemanticChunker


embeddings = OpenAIEmbeddings(api_key="...", model='text-embedding-3-small')


semantic_splitter = SemanticChunker(
    embeddings=embeddings,

    breakpoint_threshold_type="gradient",
    breakpoint_threshold_amount=0.8

)
1 https://api.python.langchain.com/en/latest/text_splitter/langchain_experimental.text_splitter. SemanticChunker.html
Retrieval Augmented Generation (RAG) avec LangChain

Découpage sémantique

chunks = semantic_splitter.split_documents(data)
print(chunks[0])

page_content='Retrieval-Augmented Generation for\nKnowledge-Intensive NLP Tasks\ Patrick Lewis,
Ethan Perez,\nAleksandra Piktus, Fabio Petroni, Vladimir Karpukhin, Naman Goyal, Heinrich
Küttler,\nMike Lewis, Wen-tau Yih, Tim Rocktäschel, Sebastian Riedel, Douwe Kiela\nFacebook AI
Research; University College London;New York University;\[email protected]\nAbstract\nLarge
pre-trained language models have been shown to store factual knowledge\nin their parameters,
and achieve state-of-the-art results when fine-tuned on down-\nstream NLP tasks. However, their
ability to access and precisely manipulate knowl-\nedge is still limited, and hence on
knowledge-intensive tasks, their performance\nlags behind task-specific architectures.'
metadata={'source': 'rag_paper.pdf', 'page': 0}
Retrieval Augmented Generation (RAG) avec LangChain

Passons à la pratique !

Retrieval Augmented Generation (RAG) avec LangChain

Preparing Video For Download...