高度な分割手法

LangChain による検索拡張生成（RAG）

Meri Nova

Machine Learning Engineer

現在の分割戦略の制約

 

  1. 🤦 分割は単純（文脈を考慮しない）

    • 周辺テキストの文脈を無視

  2. 🖇 文字ベース vs. トークンで分割

    • モデルはトークンを処理
    • コンテキストウィンドウ超過のリスク

 

→ SemanticChunker

 

→ TokenTextSplitter

LangChain による検索拡張生成（RAG）

トークン分割

文字数に基づいてテキストをチャンク化する文字分割器。

LangChain による検索拡張生成（RAG）

トークン分割

トークン数に基づいてテキストをチャンク化するトークン分割器。

LangChain による検索拡張生成（RAG）

トークン分割

chunk_size と chunk_overlap の値に合わせたトークンの対応を強調表示。

LangChain による検索拡張生成（RAG）

トークン分割

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")
LangChain による検索拡張生成（RAG）

トークン分割

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

Chunk 2:
 fleece was white as snow.
LangChain による検索拡張生成（RAG）

トークン分割

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.
LangChain による検索拡張生成（RAG）

セマンティック分割

RAGアプリについての文と犬に関する文を含む段落。

LangChain による検索拡張生成（RAG）

セマンティック分割

文字やトークンで機械的に分割され、文脈が失われた段落。

LangChain による検索拡張生成（RAG）

セマンティック分割

セマンティック分割器が、話題がRAGから犬に変わる位置で段落を分割。

LangChain による検索拡張生成（RAG）

セマンティック分割

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
LangChain による検索拡張生成（RAG）

セマンティック分割

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}
LangChain による検索拡張生成（RAG）

Let's practice!

LangChain による検索拡張生成（RAG）

Preparing Video For Download...