Chats-Grid: An Iterative Retrieval Q&A Optimization Scheme Leveraging Large Model and Retrieval Enhancement Generation in smart grid

要約

人工知能の急速な進歩により、質問回答（Q＆A）システムは、インテリジェント検索エンジン、仮想アシスタント、および顧客サービスプラットフォームで不可欠になりました。
ただし、スマートグリッドなどの動的なドメインでは、従来の検索された生成（RAG）Q＆Aシステムは、大規模でリアルタイムのデータストリームの処理における不十分な検索品質、無関係な応答、非効率性などの課題に直面しています。
このペーパーでは、スマートグリッド環境向けに合わせたチャットグリッドと呼ばれる最適化された反復的な検索ベースのQ＆Aフレームワークを提案します。
レトリエバル以前のフェーズでは、Chats-Grid Advanced Query拡張により、センサーの測定値、メーターレコード、制御システムパラメーターなど、多様なデータソースの包括的なカバレッジが保証されます。
検索中に、25（BM25）スパース検索とBAAIの一般的な埋め込み（BGE）の密な検索を組み合わせて、広大で不均一なデータセットを効果的に処理します。
微調整された大規模な言語モデルであるretrieval後の大規模な言語モデルは、迅速なエンジニアリングを使用して、関連性を評価し、無関係な結果をフィルタリングし、文脈の精度に基づいてドキュメントを再注文します。
このモデルはさらに、コンテキストを意識した正確な回答を生成し、品質基準を順守し、信頼性を高めるための自己チェックメカニズムを採用します。
実験結果は、忠実度、コンテキストリコール、関連性、精度における最先端の方法に対するチャットグリッドの優位性をそれぞれ2.37％、2.19％、3.58％に示しています。
このフレームワークは、意思決定とユーザーの対話を改善し、回復力のある適応性のあるスマートグリッドインフラストラクチャを促進することにより、スマートグリッド管理を進めます。

要約(オリジナル)

With rapid advancements in artificial intelligence, question-answering (Q&A) systems have become essential in intelligent search engines, virtual assistants, and customer service platforms. However, in dynamic domains like smart grids, conventional retrieval-augmented generation(RAG) Q&A systems face challenges such as inadequate retrieval quality, irrelevant responses, and inefficiencies in handling large-scale, real-time data streams. This paper proposes an optimized iterative retrieval-based Q&A framework called Chats-Grid tailored for smart grid environments. In the pre-retrieval phase, Chats-Grid advanced query expansion ensures comprehensive coverage of diverse data sources, including sensor readings, meter records, and control system parameters. During retrieval, Best Matching 25(BM25) sparse retrieval and BAAI General Embedding(BGE) dense retrieval in Chats-Grid are combined to process vast, heterogeneous datasets effectively. Post-retrieval, a fine-tuned large language model uses prompt engineering to assess relevance, filter irrelevant results, and reorder documents based on contextual accuracy. The model further generates precise, context-aware answers, adhering to quality criteria and employing a self-checking mechanism for enhanced reliability. Experimental results demonstrate Chats-Grid’s superiority over state-of-the-art methods in fidelity, contextual recall, relevance, and accuracy by 2.37%, 2.19%, and 3.58% respectively. This framework advances smart grid management by improving decision-making and user interactions, fostering resilient and adaptive smart grid infrastructures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google