关于人工智能应用场景中前期数据处理的业务场景和技术分析——包括结构化数据和非结构化数据
文档处理在人工智能领域中至关重要，涉及复杂的业务场景和技术实现。文章讨论了不同类型文档的处理方法及其技术方案，指出非结构化数据是最具挑战性的类型之一，需要采用多模态模型和特定技术来简化处理过程。
AI探索时代
基于milvus向量数据库的相似度检索问题——稀疏-密集向量检索和混合搜索
不同的向量类型可能导致相似度检索策略不同。Milvus支持稠密和稀疏向量，以及混合搜索技术。稠密向量用于语义检索，稀疏向量用于精确关键词匹配，混合搜索适用于复杂场景。
影响大模型能力表现的因素，以及提示词在其中扮演的角色和工程化的作用和方法
大模型的能力由多个因素决定，包括神经网络技术的发展、训练数据的选择与质量、模型结构的固有缺陷、以及微调等。提升大模型潜力的方法则涉及模型架构改进、算法选择、数据质量优化等多个方面。提示词工程是一种常用手段，通过调整提示词激发大模型潜力，促进其在特定任务上的表现。
RAG检索系统的两大核心利器——Embedding模型和Rerank模型
在RAG系统中，Embedding和Rerank模型是核心组成部分。前者将文本转化为低维向量以捕捉语义信息；后者则用于对候选结果进行重排序，提升其相关性。
RAG提升召回准确率的解决方案——关于相似度计算与Rerank重排序的问题研究
最近在RAG项目中使用milvus向量数据库时遇到问题，文档格式复杂导致相似度较低，提出通过重排序、多路召回等方式解决数据干扰因素变多的问题。
