Legal_Expert_Contract_Advisor_Using_Precision_RAG

계약 Q & A Rag 시스템

개요

이 프로젝트는 RAG (Restrieval-Augmented Generation)를 사용하여 계약 Q & A를위한 고정밀 법률 전문가 시스템을 개발하는 것을 목표로합니다. 이 시스템은 고급 자연 언어 처리 (NLP) 기술을 활용하여 법적 계약에 대한 질문에 대한 정확하고 상황을 인식하고 강력한 언어 모델을 사용자 정의 검색 메커니즘과 통합하여 계약 관련 쿼리에 대한 정확하고 상황에 맞는 답변을 제공합니다.

목차

• 개요
• 프로젝트 구조
• 설치
• 용법
• 개발
• 평가
• 최적화 기술
• 기여
• 특허
• 감사의 말
• 연락하다

특징

• 계약 Q & A에 대한 검색 방지 생성 (RAG) 파이프 라인
• 사용자 정의 가능한 리트리버 및 발전기 구성 요소
• Ragas 메트릭을 사용한 평가 프레임 워크
• 성능 향상을위한 최적화 기술

프로젝트 구조

 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/ : 원시 및 처리 된 데이터 파일이 포함되어 있습니다
• notebooks/ : 탐사, 구현 및 평가를위한 Jupyter 노트
• src/ : RAG 시스템의 소스 코드
  • data/ : 데이터로드 및 전처리 스크립트
  • models/ : 리트리버 및 생성기 모델 구현
  • evaluation/ : 평가 지표 및 스크립트
  • utils/ : 헬퍼 기능 및 유틸리티
• tests/ : 다양한 구성 요소에 대한 단위 테스트
• config.yaml : 프로젝트 설정에 대한 구성 파일
• requirements.txt : 프로젝트 종속성 목록
• setup.py : 프로젝트의 설정 스크립트
• main.py : 헝겊 시스템 실행을위한 메인 진입 점

설치

1. 저장소를 복제하십시오

git clone https://github.com/dev-abuke/Legal_Expert_Contract_Advisor_Using_Precision_RAG.git

2. 프로젝트 디렉토리로 이동하십시오

 cd Legal_Expert_Contract_Advisor_Using_Precision_RAG

3. 가상 환경을 만듭니다

python -m venv venv

4. 환경을 활성화하십시오

 source venv/bin/activate  # On Windows, use venvScriptsactivate

3. 필요한 종속성 설치 :

pip install -r requirements.txt

용법

1. 계약 데이터를 준비하고 data/raw/ 디렉토리에 배치하십시오.

2. 데이터를 전처리하십시오

python src/data/preprocess.py

3. 헝겊 시스템을 실행하십시오

python main.py

4. 시스템 성능 평가 :

python src/evaluation/evaluate.py

개발

• 탐색 및 프로토 타이핑을 위해 notebooks/ 디렉토리의 Jupyter 노트북을 사용하십시오.
• src/ 디렉토리에서 핵심 기능을 구현하십시오.
• tests/ 디렉토리에 단위 테스트를 추가하십시오.
• config.yaml 사용하여 프로젝트 설정을 관리하십시오.

평가

시스템의 성능은 다음 메트릭을 사용하여 평가됩니다

• 검색 정밀도 및 리콜
• 관련성에 답하십시오
• 사실 정확도
• 응답 일관성

자세한 결과 및 분석은 평가 노트를 참조하십시오.

최적화 기술

이 프로젝트는 다음을 포함한 다양한 최적화 기술을 탐구합니다

1. 검색을위한 고급 임베딩 모델
2. 하이브리드 검색 방법
3. 쿼리 확장
4. 청킹 전략
5. 프롬프트 엔지니어링

기여

시스템을 개선하기위한 기여를 환영합니다. 다음 단계를 따르십시오.

1. 저장소를 포크하십시오
2. 새 지점 만들기 ( git checkout -b feature/your-feature )
3. 변경하고 헌신하십시오 ( git commit -am 'Add new feature' )
4. 분기로 푸시 ( git push origin feature/your-feature )
5. 새 풀 요청을 만듭니다

특허

이 프로젝트는 MIT 라이센스에 따라 라이센스가 부여됩니다. 자세한 내용은 라이센스 파일을 참조하십시오.

감사의 말

• 10 도전과 학습 기회를 제공 한 아카데미
• 프로젝트 영감과지도를위한 Lizzya

연락하다

질문이 있으시면이 저장소에서 문제를 열거 나 Abubeker Shamil에 문의하십시오.