从 RAG 到 QA-RAG：整合生成式 AI 用于制药行业法规合规流程
计算与语言
2024-02-07 v1 人工智能
信息检索
摘要
制药行业的法规合规涉及 navigating 复杂且海量的指南，通常需要大量人力资源。为应对这些挑战，本研究引入了一种利用生成式 AI 和检索增强生成（Retrieval Augmented Generation, RAG）方法的聊天机器人模型。该聊天机器人旨在搜索与用户查询相关的指南文档，并基于检索到的指南提供答案。认识到该领域对高可靠性的内在需求，我们提出了问答检索增强生成（Question and Answer Retrieval Augmented Generation, QA-RAG）模型。在对比实验中，QA-RAG 模型显示出显著的准确性提升，优于包括传统 RAG 方法在内的所有基线。本文详细介绍了 QA-RAG 的结构和性能评估，强调其在制药行业及其他领域法规合规方面的潜力。我们的工作已公开，以供进一步研究和开发。
引用
@article{arxiv.2402.01717,
title = {From RAG to QA-RAG: Integrating Generative AI for Pharmaceutical Regulatory Compliance Process},
author = {Jaewoong Kim and Moohong Min},
journal= {arXiv preprint arXiv:2402.01717},
year = {2024}
}
备注
Total number of pages: 9. Total number of figures: 2. For the source code and experimental results of this paper, see https://github.com/jwoongkim11/QA-RAG. For the dataset used in training and evaluating the model, see https://huggingface.co/datasets/Jaymax/FDA Pharmaceuticals FAQ