Sobre embasamento de contexto

A Contextualização é um componente da AI Trust Layer da UiPath, que torna seus dados de negócios prontos para LLMs — sem assinaturas adicionais para incorporar modelos, bancos de dados de vetores ou LLMs. Ele cria índices e incorporações de seus dados que as funcionalidades do UiPath GenAI podem fazer referência no runtime por meio de geração aumentada de recuperação (RAG).

Como um RAG como serviço com escopo de tenant, a Contextualização fundamenta suas solicitações com informações relevantes antes da execução do LLM. Ele é compatível com as seguintes experiências de IA generativa da UiPath:

• Atividades da GenAI
• Autopilot para todos
• Agentes da UiPath

Fornecer RAG para essas experiências ajuda a:

• Supere as limitações da janela de contexto e melhore a precisão, confiabilidade e eficiência do modelo.
• Reduzir o risco de alucinação por meio de referências a dados da verdade fundamental.
• Dê aos aplicativos generativos acesso a conhecimento especializado, proprietário e atualizado.
• Habilite loops de feedback entre os armazenamentos de dados e as consultas dos usuários.

Componentes principais

A terminologia e os componentes principais do Embasamento de Contexto incluem:

Figura 1. Arquitetura do componente de Contextualização

Ingestão e indexação

• Ingestão: converte dados de negócios em incorporações representativas usando modelos de incorporação gerenciados pela UiPath.
• Incorporação: uma representação de dados de negócios que um LLM pode entender e pesquisar.
• Índice: uma pasta em um banco de dados de vetores que organiza as incorporações.
• Banco de dados de vetores: um banco de dados de vetores gerenciado pela UiPath que armazena incorporações organizadas em índices.

Recuperação

A Contextualização pesquisa dados de negócios prontos para LLM para encontrar as informações mais relevantes, usando técnicas de extração, fragmentação, recuperação e reclassificação otimizadas para diferentes formatos de dados e consultas. Atividades GenAI, Autopilot for Everyone e Agentes interpretam prompts como consultas e retornam os resultados mais relevantes por meio de pesquisa de similaridade de cosseno — uma etapa intermediária antes do RAG.

Recuperar geração aumentada (RAG)

Baseia os prompts com as informações mais relevantes dos resultados da pesquisa de similaridade semântica e, em seguida, executa a geração por meio de um LLM hospedado por meio do Gateway de LLM da AI Trust Layer.

DeepRAG (Deep Research-Augmented Generation)

Um recurso avançado de RAG, geralmente disponível para Agentes, que permite a origem e recuperação de vários documentos para casos de uso complexos de agentes. Os agentes podem sincronizar informações em vários documentos e fornecer respostas abrangentes com base em citações. Atualmente compatível apenas com arquivos PDF.

Principais funcionalidades

• Compatibilidade com vários documentos: CSV, DOCX, JPG, JSON, PDF, PNG, TXT e XLSX.
• Ingestão multimodal: processa documentos que contêm imagens e texto, incluindo PDFs não nativos (digitalizados).
• Compatibilidade com consulta estruturada: consulta avançada de CSV, disponível ao adicionar um índice a um agente.
• Suporte multilíngue: ingere e consulta documentos em todos os idiomas codificados UTF-8.
• DeepRAG: Síntese de vários documentos para consultas complexas de agentes, com respostas baseadas em citações. Disponível apenas para arquivos PDF.
• Prova de conhecimento: menciona a fonte de referência e o texto dos resultados da pesquisa por similaridade semântica.
• Compatibilidade personalizada com LLM: traga seu próprio modelo e traga suas próprias configurações de assinatura por meio da AI Trust Layer, permitindo que os administradores usem seus próprios modelos de incorporação e inferência. Para obter detalhes, consulte Traga seu próprio LLM para Contextualização.
• Várias origens de dados:
  • Entidades de bucket do UiPath Orchestrator: ingerir, indexar e consultar dados armazenados em pastas compartilhadas do Orchestrator.
  • Sistemas de armazenamento de documentos: acesse dados do Dropbox, Google Drive e Microsoft OneDrive & SharePoint por meio de conectores do Integration Service.

Licenciamento

Consulte Licenciamento de Contextualização.

Limitações e considerações

• Tipos de arquivos suportados: CSV, DOCX, JPG, JSON, PDF, PNG, TXT e XLSX.
• Limite de índice: dez índices por tenant, expansível sob solicitação. Recomendamos uma relação de 1:1 entre índices e caminhos de pasta em sua origem de dados.
• Permissões de pasta: os índices herdam permissões de pasta. Usuários sem acesso a uma pasta compartilhada não podem visualizar, atualizar, excluir ou usar seus índices associados.
• Requisito da versão do Studio: para usar a Contextualização por meio de Atividades GenAI, você deve usar o Studio Web ou Studio Desktop versão 2024.4 ou posterior. Para obter mais informações, consulte Trabalhando com a contextualização.