Legal_Expert_Contract_Advisor_Using_Precision_RAG
1.0.0
Ce projet vise à développer un système d'experts juridiques de haute précision pour les questions et réponses contractuelles en utilisant la génération (RAG) de la récupération (RAG). Le système tire parti des techniques avancées de traitement du langage naturel (NLP) pour fournir des réponses précises et respectueuses des questions sur les contrats juridiques et intègre un modèle de langage puissant avec un mécanisme de récupération personnalisé pour fournir des réponses précises et contextuellement pertinentes aux requêtes liées aux contrats.
Legal_Expert_Contract_Advisor_Using_Precision_RAG/
├── data/
│ ├── raw/
│ ├── processed/
│ └── evaluation/
├── notebooks/
│ ├── 1_data_exploration.ipynb
│ ├── 2_rag_implementation.ipynb
│ └── 3_evaluation_and_optimization.ipynb
├── src/
│ ├── data/
│ │ ├── __init__.py
│ │ ├── preprocess.py
│ │ └── load_data.py
│ ├── models/
│ │ ├── __init__.py
│ │ ├── retriever.py
│ │ └── generator.py
│ ├── evaluation/
│ │ ├── __init__.py
│ │ └── metrics.py
│ └── utils/
│ ├── __init__.py
│ └── helpers.py
├── tests/
│ ├── test_data.py
│ ├── test_models.py
│ └── test_evaluation.py
├── config.yaml
├── requirements.txt
├── setup.py
├── main.py
├── .gitignore
└── README.md
data/ : contient des fichiers de données brutes et traitéesnotebooks/ : cahiers de jupyter pour l'exploration, la mise en œuvre et l'évaluationsrc/ : code source du système de chiffondata/ : Script de chargement des données et de prétraitementmodels/ : Implémentations de modèle de récupération et de générateurevaluation/ : mesures d'évaluation et scriptsutils/ : fonctions et services publicstests/ : tests unitaires pour divers composantsconfig.yaml : fichier de configuration pour les paramètres du projetrequirements.txt : liste des dépendances du projetsetup.py : Script de configuration du projetmain.py : point d'entrée principal pour l'exécution du système de chiffon git clone https://github.com/dev-abuke/Legal_Expert_Contract_Advisor_Using_Precision_RAG.git cd Legal_Expert_Contract_Advisor_Using_Precision_RAGpython -m venv venv source venv/bin/activate # On Windows, use venvScriptsactivatepip install -r requirements.txt Préparez vos données de contrat et placez-les dans les data/raw/ répertoires.
Prétraitez les données
python src/data/preprocess.pypython main.pypython src/evaluation/evaluate.pynotebooks/ répertoire pour l'exploration et le prototypage.src/ .tests/ répertoire.config.yaml pour gérer les paramètres du projet. Les performances du système sont évaluées à l'aide des mesures suivantes
Reportez-vous au cahier d'évaluation pour des résultats et une analyse détaillés.
Ce projet explore diverses techniques d'optimisation, notamment
Les contributions à l'amélioration du système sont les bienvenues. Veuillez suivre ces étapes:
git checkout -b feature/your-feature )git commit -am 'Add new feature' )git push origin feature/your-feature )Ce projet est autorisé en vertu de la licence MIT - voir le fichier de licence pour plus de détails.
Pour toute question, veuillez ouvrir un problème sur ce référentiel ou contacter Abubeker Shamil.
