返回
An AI Answer-Validation Method Using Agentic RAG for Datasheet Inquiry for IoT Application System Deployment
DOI:10.3390/fi18080442.png)
摘要
En 中文
物联网(IoT)应用系统正越来越多地被采用于工厂、商店、办公室和政府机构中。然而,使用各种设备和模块构建此类系统对非专家而言仍然困难,因为他们必须在连接设备前从技术数据手册中确认规格、通信接口、电压范围和操作条件。在先前的研究中,我们探索了一种基于生成式AI的问答工具,用于数据手册查询,采用检索增强生成(RAG)技术为物联网应用系统的部署提供技术指导。然而,所采用的top-k RAG流水线常常检索到多个相关文本片段,这可能导致AI混淆技术不同的规格,如输出电压、信号输出电压和输入电压范围,并产生不准确的回答。此外,如果数据手册未提供足够的信息来源,AI可能会生成幻觉回答。在本文中,我们提出了一种基于代理RAG的数据手册查询AI答案验证方法,用于物联网应用系统的部署。该方法将数据手册信息组织成结构化规格数据,包括设备型号、字段类型、值、单位、条件和来源信息。对于问答,代理根据问题类型协调结构化事实查询、top-k文本检索、来源检查和基于规则的兼容性比较。在最终接受答案之前,该方法采用结构化规格和确定性来源检查,而非完全依赖大型语言模型(LLM)解释检索到的片段。为进行评估,我们构建了一个包含20份物联网数据手册的数据集,涵盖1000个具有三个难度级别的问答任务。与传统的top-k RAG相比,所提出的方法将简单问题的正确回答率从0.686提高到0.958,中等问题的正确回答率从0.549提高到0.969,困难问题的正确回答率从0.273提高到0.613,证实了所提出方法的有效性。
Keyword:
agentic RAG
IoT application system
Internet of Things
datasheet question-answering
device compatibility
期刊
IF:
3.6
论文数:
1.3K
被引数:
6.5K
机构
引用论文
LayoutLM: Pre-training of Text and Layout for Document Image UnderstandingLayoutLM: 用于文档图像理解的文本和布局的预培训

