原文地址：Visualize your RAG Data — EDA for Retrieval-Augmented Generation

2024 年 2 月 8 日

Github：https://github.com/Renumics/rag-demo/blob/main/notebooks/visualize_rag_tutorial.ipynb

为探索Spotlight中的数据，我们使用Pandas DataFrame来组织数据。首先，我们从向量存储中提取文本片段及其嵌入。此外，让我们标记正确答案：

import pandas as pd

response = docs_vectorstore.get(include=["metadatas", "documents", "embeddings"])
df = pd.DataFrame(
    {
        "id": response["ids"],
        "source": [metadata.get("source") for metadata in response["metadatas"]],
        "page": [metadata.get("page", -1) for metadata in response["metadatas"]],
        "document": response["documents"],
        "embedding": response["embeddings"],
    }
)
df["contains_answer"] = df["document"].apply(lambda x: "Eichler" in x)
df["contains_answer"].to_numpy().nonzero()

问题和相关答案也被投射到嵌入空间中。处理方式与处理文本片段相同：

question_row = pd.DataFrame(
    {
        "id": "question",
        "question": question,
        "embedding": embeddings_model.embed_query(question),
    }
)
answer_row = pd.DataFrame(
    {
        "id": "answer",
        "answer": answer,
        "embedding": embeddings_model.embed_query(answer),
    }
)
df = pd.concat([question_row, answer_row, df])

此外，还可以确定问题与文档片段之间的距离：

import numpy as np
question_embedding = embeddings_model.embed_query(question)
df["dist"] = df.apply(
    lambda row: np.linalg.norm(
        np.array(row["embedding"]) - question_embedding
    ),
    axis=1,
)

该值还可用于可视化，并将存储在列距离中:

	id	question	embedding	answer	source	page	document	contains_answer	dist
0	question	Who built the Nürburgring	[0.005164676835553928, -0.011625865528385777, ...	nan	nan	nan	nan	nan	nan
1	answer	nan	[-0.007912757349432444, -0.021647867427574807, ...	The Nürburgring was built in the 1920s in the town	nan	nan	nan	nan	0.496486
2	000062fd07a090c7c84ed42468a0a4b7f5f26bf8	nan	[-0.028886599466204643, 0.006249633152037859, ...	nan	data/docs/Hamilton–Vettel rivalry.html	-1	Media reception...	0	0.792964
3	0003de08507d7522c43bac201392929fb2e26b86	nan	[-0.031988393515348434, -0.002095212461426854, ...	nan	data/docs/Cosworth GBA.html	-1	Team Haas[edit]...	0	0.726574
4	000543bb633380334e742ec9e0c15a188dcb0bf2	nan	[-0.007886063307523727, 0.007812486961483955, ...	nan	data/docs/Interlagos Circuit.html	-1	Grand Prix motorcycle racing.	0	0.728354

可通过以下方式启动聚类：

from renumics import spotlight
spotlight.show(df)

它将打开一个新的浏览器窗口。左上角的表格部分显示数据集的所有字段。您可以使用 "可见列 "按钮选择 "问题"、"答案"、"来源"、"文档 "和 "距离 "列。按 "dist "排序的表格会将问题、答案和最相关的文档片段显示在最上面。选择前 14 行，可在右上角的相似性地图中突出显示。

您可以观察到，最相关的文档与问题和答案非常接近。这包括包含正确答案的单个文档片段。

单个问题、答案和相关文档的良好可视化显示了 RAG 的巨大潜力。使用降维技术可以让用户和开发人员访问嵌入空间。本文具体介绍的实用性仍然非常有限。探索这些方法在提出许多问题方面的可能性，从而说明 RAG 系统在运行中的使用情况，或通过评估问题检查嵌入空间的覆盖情况，仍然令人兴奋。

使用 Spotlight 等工具可以使 RAG 的可视化变得更容易，从而增强数据科学工作流程。