contract qa high precision rag

Contrac Advisor Rag: Construire une application LLM experte juridique de haute précision

Introduction

Ce projet se concentre sur la construction d'un outil d'analyse de contrat de haute précision à l'aide de la génération augmentée de récupération (RAG). Cette approche tire parti de la puissance des modèles de grandes langues (LLM) pour récupérer les informations pertinentes à partir de sources de connaissances externes, en l'occurrence, des contrats juridiques. L'objectif est de créer un système qui peut répondre avec précision et efficacement aux questions sur le contenu du contrat, agissant comme un assistant juridique virtuel.

Table des matières

1. Caractéristiques clés
2. Structure du projet
3. Commencer
4. Installation
5. Usage
6. Essai
7. Contributif
8. Licence
9. Contact

Caractéristiques clés

• Framework RAG : exploite le cadre de Langchain pour intégrer de manière transparente LLMS aux données contractuelles.
• Modèles Openai GPT : utilise les modèles GPT d'Openai pour la compréhension et la génération du langage naturel.
• Intégration de l'autogène : intégration avec Microsoft Autogen pour créer des agents de l'IA conversationnels pour une expérience utilisateur plus interactive.
• Interface Web : fournit une interface Web conviviale pour les utilisateurs pour interagir avec le système et poser des questions sur le contenu du contrat.
• FastAPI Backend : utilise FastAPI pour créer un serveur backend haute performance pour gérer les demandes d'utilisateurs à l'aide de WebSockets et permettre une interaction avec le pipeline de chiffon.
• Base de données vectorielle : utilise une base de données vectorielle (par exemple, chroma) pour stocker et récupérer efficacement les informations du contrat.
• Récupération multi-Quey : génère plusieurs variations de requête pour améliorer les chances de trouver des informations pertinentes.
• RECONDATION : utilise des mécanismes de reconstitution pour hiérarchiser les informations les plus contextuellement pertinentes.
• Évaluation à l'aide de RAGAS : comprend un pipeline d'évaluation robuste utilisant des mesures telles que la précision, la pertinence et le temps de réponse pour évaluer et améliorer les performances.

Structure du projet

 project_root/
├── .github/         # GitHub Actions workflows
├── frontend/        # React frontend code
├── backend/         # FastAPI backend code
├── src/             # Source code for RAG pipeline, utils, etc.
├── tests/           # Unit and integration tests
├── README.md        # This file
└── requirements.txt # Project dependencies

Commencer

Condition préalable

• Python 3.9+
• pépin
• Node.js v18 +
• NPM - pour l'installation des dépendances frontales

1. Clone ce repo

 git clone [email protected]:hillaryke/contract-qa-high-precision-rag.git
cd contract-qa-high-precision-rag

2. Configurez l'environnement

Ajoutez votre openai_api_key à un fichier .env dans le répertoire racine du projet.

Installation

1. Installez les dépendances

 pip install -r requirements.txt

Usage

1. Démarrez le serveur Fastapi

Exécutez la commande pour démarrer le serveur Fastapi:

 make run-server

Le serveur commencera à http: // localhost: 8000 /

2. Démarrez le frontage React

 make run-frontend

Sur votre navigateur, accédez à l'application Frontend depuis http: // localhost: 3000 /

Essai

1. Exécutez des tests

Pour exécuter les tests, utilisez la commande suivante:

 make test

Licence

Ce projet est autorisé en vertu de la licence MIT - voir le fichier de licence pour plus de détails.

Contact

Pour toute question ou soutien, veuillez me contacter par e-mail Hillary K ..

Apprécier!