대학 시험을 준비 할 때, 파트너가 지식 격차를 발견하고 수업 중에 처리 된 주제에 대한 구체적인 의심을 명확하게하는 데 필수적인 것으로 입증되었습니다. Chatgpt, Phind 및 Clod와 같은 LLM을 기반으로하는 챗봇은 이미 학생들에게 도움을 제공하고 있지만 학생들의 대학 과정에 대한 강의/자료 관련 도움을 제공 할 수는 없습니다. 우리는 특정 과정의 특정 자료에 챗봇을 미세 조정하기위한 시스템을 만들 것을 제안합니다. 이 덕분에, 우리는 전형적인 대학생의 과정을위한 공부 친구를 만들고 의심에 대답하고 질문을 생성 할 수 있습니다!
이 링크에서 챗봇을 테스트 할 수 있습니다.

프로젝트의 암시 적 범위 (및 전체 과정)는 MLOPS를 호스팅 할 수있는 확장 가능한 인프라를 구축하는 것입니다. 이러한 이유로 전통적인 모 놀리 식 ML 파이프 라인은 기능 파이프 라인 , 훈련 파이프 라인 , 추론 파이프 라인 의 세 가지 프로세스로 나뉩니다.

기능 파이프 라인은 다음을 담당합니다.
기능 파이프 라인을 실행하는 몇 가지 옵션이 있습니다.
FeaturePipeline/Reading.ipynb 노트북을 실행하십시오FeaturePipeline/FeaturePipeline.py 사용하여 python3 FeaturePipeline/FeaturePipeline.py 를 실행하십시오 후자의 사본은 FeaturePipeline/FeaturePipeline_modal.py 파일에서 약간 수정되어 modal [run|deploy] FeaturePipeline/FeaturePipeline.py 사용하여 모달 호스팅 서비스에서 실행할 수 있도록합니다.
교육 파이프 라인은 다음을 담당합니다.
교육 파이프 라인을 실행하려면 노트북 TrainingPipeline/FineTuning.ipynb 실행하십시오
추론 파이프 라인은 다음을 담당합니다.
추론 파이프 라인을 실행하려면 streamlit run chatbot_app.py 실행하십시오
실험적으로 미세 조정 프로세스만으로도 기초 모델을 비 결합 된 것보다 일관되게 개선하기에 충분하지 않지만, Rag-Enabled Chatbot은 원래 자료에 따라 사용자의 질문에 올바르게 대답 할 수있을뿐만 아니라, 답변이 어디에서 얻은 지 (대부분) 대학 시험을위한 필수 기능을 제공 할 수 있습니다!
미세 튜닝은 사용 된 재료 및 계산 자원의 부족으로 인해 작동하지 않으며 의도 된 것만 큼 작동하지 않습니다. 향후 작업으로서 우리는 지식 추출 프로세스를 개선하고 보고서에 표시된 문제를 해결하기 위해 더 많은 계산 능력을 사용하고자합니다.