供应链脆弱性识别的实时检索增强生成

生成式AI的新技术可以深入分析我国供应链，但要获得有价值的见解，需要及时方式不断更新和聚合大量数据。大型语言模型（LLM）提供了前所未有的分析机会，但其知识库受限于模型的最后训练日期，使得这些能力对依赖新兴和及时信息的组织难以实用。本研究提出一种创新方法，通过集成新型检索增强生成（RAG）预处理和检索技术，结合先进的网页抓取技术进行供应链分析。该方法旨在减少将新信息纳入增强型LLM的延迟，从而实现对供应链干扰因素的及时分析。通过实验，本研究评估了这些技术组合对及时性和质量之间的综合效应。结果表明，在将RAG系统应用于供应链分析时，微调嵌入检索模型 consistently 提供了最显著的性能提升，凸显了检索质量的关键重要性。自适应迭代检索通过根据上下文动态调整检索深度进一步提升了性能，尤其在复杂供应链查询方面效果显著。相比之下，微调LLM仅带来有限的改进且资源成本更高，而向下查询抽象技术在实际应用中显著优于向上抽象。