如何用检索日志优先处理数据质量问题

2010年10月，James Dixon创造了“数据湖”一词，主张先把原始数据放进去，结构以后再补。不到四年后，Gartner便给出了令人清醒的结论。数据湖通常起步于缺乏语义一致性、也没有受管元数据的无管控存储库。业界把这种结果称为“数据沼泽”。

企业把文档导入AI助手的方式与当年往数据湖里灌数据颇为相似，往往没有清晰的相关性评估。

RAG系统已经会记录哪些数据实际被使用、哪里值得进行数据维护。

聊天机器人能揭示实际的数据需求，帮助有针对性地优先分配资源。

大约十年后，同样的模式再度上演。据Bitkom统计，在员工20人以上的企业中，41%已生产性使用人工智能，另有48%正在规划或讨论部署，多数从内部助手起步，用来回答关于自有文档库的问题，技术上讲就是检索增强生成（Retrieval-Augmented Generation，简称RAG）。门槛已然消失：例如Amazon Bedrock Knowledge Bases通过现成连接器接入Confluence、SharePoint乃至整个Web域名，并顺带完成分块与索引。一键之下，源系统便进入向量索引。没有内容层面的预筛。也没有人问一句：这些内容究竟会不会有人来检索。

利用检索日志优先处理数据质量

OpenWiki实测：为编码代理提供记忆

教程：用来自互联网的最新事实充实本地AI模型

链式操作如何变成风险：AI代理中的传话游戏

便利是有代价的，而且这笔账不会记在向量存储的账单上。真正计费的是系统在每次请求时传给语言模型的上下文。索引中未经整理的内容越多，目标信息出现在靠前命中结果中的概率就越低，团队也就越会大方地调高参数k。该参数决定每次请求有多少个最相似的文本片段被送入语言模型。

以上是我们heise-Plus文章《利用检索日志优先处理数据质量》的试读部分。订阅heise-Plus即可阅读全文。

小巧省电早已不够：六款搭载AMD、Apple和Intel SoC的迷你PC展示了它们应对现代AI任务的能力。

一篇声称认证机制让Passkey变成陷阱的博客文章近日走红。Passkey中的认证机制究竟如何运作。

AnythingLLM可导入文档，并通过AI聊天给出相关回答。数据与LLM均留在本地，完全处于您的掌控之中。

新的移动处理器为迷你PC带来了可观的改进。但内存和SSD的离谱价格迫使人们格外谨慎地做出购买决定。

在这里，我讲述自己如何与兄弟一起把一台2.5吨重的工业铣床搬进我们的业余工坊，并将其改装为LinuxCNC。

借助27系列系统，Apple改动了很多，也要求许多新条件。我们将展示您应该测试什么、调整什么，以及与您的MDM供应商澄清哪些问题。