contract qa high precision rag

Consultor de contratos RAG: Construindo um aplicativo de especialista jurídico de alta precisão LLM

Introdução

Este projeto se concentra na construção de uma ferramenta de análise de contrato de alta precisão usando a geração aumentada de recuperação (RAG). Essa abordagem aproveita o poder dos grandes modelos de linguagem (LLMS) para recuperar informações relevantes de fontes de conhecimento externas, neste caso, contratos legais. O objetivo é criar um sistema que possa responder com precisão e eficiência perguntas sobre o conteúdo do contrato, atuando como um assistente jurídico virtual.

Índice

1. Principais recursos
2. Estrutura do projeto
3. Começando
4. Instalação
5. Uso
6. Teste
7. Contribuindo
8. Licença
9. Contato

Principais recursos

• RAG Framework : Aproveite a estrutura Langchain para integrar perfeitamente o LLMS com dados de contrato.
• Modelos OpenAI GPT : utiliza os modelos GPT do OpenAI para compreensão e geração de linguagem natural.
• Integração automática : integração com o Microsoft Autogen para criar agentes de IA conversacionais para uma experiência mais interativa do usuário.
• Interface da Web : fornece uma interface da Web fácil de usar para os usuários interagirem com o sistema e fazer perguntas sobre o conteúdo do contrato.
• Back-end FASTAPI : usa o FASTAPI para criar um servidor de back-end de alto desempenho para lidar com solicitações de usuário usando o WebSockets e permitir a interação com o pipeline RAG.
• Banco de dados vetorial : emprega um banco de dados vetorial (por exemplo, Chroma) para armazenar e recuperar informações de contrato com eficiência.
• Recuperação multi-query : gera várias variações de consulta para melhorar as chances de encontrar informações relevantes.
• Reanking : emprega mecanismos de renomeamento para priorizar as informações mais relevantes contextualmente.
• Avaliação usando ragas : inclui um pipeline de avaliação robusto usando métricas como precisão, relevância e tempo de resposta para avaliar e melhorar o desempenho.

Estrutura do projeto

 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

Começando

Pré -requisitos

• Python 3.9+
• pip
• Node.js v18+
• NPM - para instalar dependências de front -end

1. Clone este repo

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

2. Configure o ambiente

Adicione seu OpenAI_API_KEY a um arquivo .env no diretório raiz do projeto.

Instalação

1. Instale dependências

 pip install -r requirements.txt

Uso

1. Inicie o servidor FASTAPI

Execute o comando para iniciar o servidor FASTAPI:

 make run-server

O servidor começará em http: // localhost: 8000/

2. Inicie o front -end do React

 make run-frontend

No seu navegador, acesse o aplicativo front -end de http: // localhost: 3000/

Teste

1. Executar testes

Para executar os testes, use o seguinte comando:

 make test

Licença

Este projeto está licenciado sob a licença do MIT - consulte o arquivo de licença para obter detalhes.

Contato

Para qualquer dúvida ou suporte, entre em contato comigo através do email Hillary K ..

Aproveitar!