À propos de l'ancrage dans le contexte

L’ancrage dans le contexte est un composant de UiPath AI Trust Layer qui rend vos données d’entreprise compatibles avec les LLM, sans abonnements supplémentaires à des modèles d’intégration, des bases de données de vecteurs ou des LLM. Il crée des index et des intégrations de vos données que les fonctionnalités d’UiPath GenAI peuvent référencer au moment du runtime via la génération augmentée de récupération (RAG).

En tant que RAG en tant que service à l’échelle du locataire, l’ancrage dans le contexte ancre vos invites avec des informations pertinentes avant l’exécution du LLM. Il prend en charge les expériences d’IA générative UiPath suivantes :

• Activités GenAI
• Autopilot for Everyone
• Agents UiPath

Le fait de fournir une RAG à ces expériences permet de :

• Surmontez les limitations de la fenêtre contextuelle et améliorez la précision, la fiabilité et l’efficacité du modèle.
• Réduisez le risque d'hallucination grâce à des références à des données centralisées de données.
• Accordez aux applications génératives l'accès à des connaissances spécialisées, propriétaires et actualisées.
• Activer les boucles de rétroaction entre les magasins de données et les requêtes des utilisateurs.

Composants de base

La terminologie et les composants de base de l'ancrage en contexte comprennent :

Figure 1. Architecture du composant Ancrage dans le contexte

Ingestion et indexage

• Ingestion : convertit les données d'entreprise en intégrations représentatives à l'aide de modèles d'intégration gérés par UiPath.
• Intégration : une représentation des données d'entreprise qu'un LLM peut comprendre et rechercher.
• Index : un dossier d’une base de données de vecteurs qui organise les intégrations.
• DB de vecteurs : une base de données de vecteurs gérée par UiPath qui stocke des intégrations organisées en index.

Récupération

L’ancrage dans le contexte effectue une recherche dans les données d’entreprise compatibles avec les LLM pour trouver les informations les plus pertinentes, à l’aide de techniques d’extraction, de segmentation, de récupération et de reclassement optimisées pour différents formats de données et différents requêtes. Les activités GenAI, Autopilot for Everyone et Agents interprètent les invites comme des requêtes et renvoient les résultats les plus pertinents par le biais d'une recherche de similarité, étape intermédiaire avant la RAG.

Génération augmentée de récupération (RAG)

Ancrait les invites avec les informations les plus pertinentes des résultats de recherche de similarité sémantique, puis exécute la génération via un LLM hébergé via la passerelle LLM d'AI Trust Layer.

DeepRAG (Génération augmentée par recherche approfondie)

Une fonctionnalité RAG avancée, généralement disponible pour les agents, qui permet la synthèse et la récupération de plusieurs documents dans le cas d'utilisation d'agents complexes. Les agents peuvent résumer les informations issues de plusieurs documents et fournir des réponses approfondies optimisées par des citations. Actuellement pris en charge pour les fichiers PDF uniquement.

Fonctionnalités clés

• Prise en charge multi-documents : CSV, DOCX, JPG, JSON, PDF, PNG, TXT et XLSX.
• Ingestion multi-modale : traite les documents contenant à la fois des images et du texte, y compris des fichiers PDF non natifs.
• Prise en charge des requêtes structurées : requêtes CSV avancées, disponibles lors de l'ajout d'un index à un agent.
• Prise en charge multilingue : ingère et interroge des documents dans toutes les langues encodées en UTF-8.
• DeepRAG : synthèse multi-documents pour les requêtes d'agent complexes, avec des réponses qui sont basées sur des citations. Disponible pour les fichiers PDF uniquement.
• Preuve de connaissances : indique la source de référence et le texte des résultats de la recherche de similarité sémantique.
• Prise en charge LLM personnalisée : apportez votre propre modèle et apportez vos propres configurations d'abonnement via la couche de confiance AI Trust Layer, permettant aux administrateurs d'utiliser leurs propres modèles d'intégration et d'inférence. Pour de plus amples informations, reportez-vous à la section Apporter votre propre LLM pour l'ancrage dans le contexte.
• Plusieurs sources de données :
  • Entités du compartiment UiPath Orchestrator : ingérer, indexer et interroger les données stockées dans des dossiers partagés Orchestrator.
  • Document storage systems: Access data from Confluence Cloud, Dropbox, Google Drive, and Microsoft OneDrive & SharePoint via Integration Service connectors.

Licences

Reportez-vous à la section Licences d’ancrage dans le contexte.

Limites et considérations

• Types de fichiers pris en charge : CSV, DOCX, JPG, JSON, PDF, PNG, TXT et XLSX.
• Limite d'index : dix index par locataire, extensibles sur demande. Nous recommandons une relation 1:1 entre les index et les chemins d'accès aux dossiers dans votre source de données.
• Autorisations de dossier : les index héritent des autorisations de dossier. Les utilisateurs n'ayant pas accès à un dossier partagé ne peuvent pas afficher, mettre à jour, supprimer ou utiliser les index associés.
• Exigence de la version de Studio : pour utiliser l’ancrage dans le contexte via les activités GenAI, vous devez utiliser Studio Web ou Studio Desktop version 2024.4 ou ultérieure. Pour de plus amples informations, consultez la section Travailler avec l'ancrage dans le contexte.
• Data handling: For details on how Context Grounding handles files during ingestion, including retention and deletion behavior, refer to Context Grounding FAQ.
• Data source authorization: The Integration Service connection used as a data source must be authorized with at least the Files.Read scope from the external provider. This OAuth scope is requested during connection setup and governs what Context Grounding can read from the source system (Confluence Cloud, Dropbox, Google Drive, or Microsoft OneDrive & SharePoint).