数据库管理150期 2024-02-12
- [数据库管理-第150期 Oracle Vector DB & AI-02（20240212）](#数据库管理-第150期 Oracle Vector DB & AI-02（20240212）)
-
- [1 LLM](#1 LLM)
- [2 LLM面临的挑战](#2 LLM面临的挑战)
- [3 RAG](#3 RAG)
- [4 向量数据库+LLM](#4 向量数据库+LLM)
- 总结
数据库管理-第150期 Oracle Vector DB & AI-02（20240212）
作者：胖头鱼的鱼缸（尹海文）
Oracle ACE Associate: Database（Oracle与MySQL）
网思科技 DBA总监
10年数据库行业经验，现主要从事数据库服务工作
拥有OCM 11g/12c/19c、MySQL 8.0 OCP、Exadata、CDP等认证
墨天轮MVP、认证技术专家，ITPUB认证专家，OCM讲师
圈内拥有"总监"、"保安"、"国产数据库最大敌人"等称号，非著名社恐（社交恐怖分子）
公众号：胖头鱼的鱼缸；CSDN：胖头鱼的鱼缸（尹海文）；墨天轮：胖头鱼的鱼缸；ITPUB：yhw1809。
除授权转载并标明出处外，均为"非法"抄袭。
本来这一期是昨天要写的，但是昨天睡了很久，加上薛首席携老婆孩子来成都旅游，出去接待了一下，因此没有写。
首席还是那么帅气，今天继续，讲讲LLM。
1 LLM
Large Language Model，大语言模型，是生成式AI 的一个类型，是一种人工智能模型，旨在理解和生成人类语言。它们在大量的文本数据上进行训练，单一模型可以执行广泛的任务，包括词法分析、文本分类、命名实体识别、关键词提取、翻译、情感分析、摘要、对话、写作文、写代码等。
2 LLM面临的挑战
大预言模型面临的最大挑战即是幻觉（hallucinations）和过时信息，LLM训练集来自互联网的通用数据，基于某个时间点的数据快照。因此会出现以下一些问题：
- 结果正确性不可控：提示不精准或不完善（即互联网通用数据中存在大量不精准甚是是错的的内容）
- 结果是过时的信息：模型更新成本高（即LLM训练出结果即过时，因为互联网通用数据是实时变化的）
- 结果是通用信息：难以与企业或某领域特定专业数据相关（一些特殊专用场景无法使用通用信息里匹配，需要专业信息加持）
3 RAG
Retrieval-Augmented Generation，检索式增强生成方法，从企业专业知识库中检索与请求最相关的信息，并与用户请求捆绑一起作为提示，发送给LLM以获得响应。
同时，包括AI聊天等功能，也可以创建专用的知识库，来增加聊天的能力，比如更强的上下文理解能力，或者更平稳柔和倾向于人类的语言沟通。
4 向量数据库+LLM
RAG让LLM不用重新训练就能够获取最新的信息，基于RAG产生更可靠更专业的输出。实施RAG需要向量数据库等技术，这些技术可以快速嵌入新数据，快速搜索数据并输入给LLM。
- 幻觉问题：向量数据库可以为LLM创建一个长期记忆的数据库，为LLM提供可靠的信息源。LLM以此信息作为基础，从而减少模型产生幻觉的可能性。
- 专业领域：通过将权威、可信的信息转换为向量，并将它们加载到向量数据库中。用企业相关特定内容增强提示，以使LLM产生更专业的答案。
- 令牌（Token）限制：通过使用最相关的内容避免超出 LLM 令牌限制。（访问安全）
- 数据安全：避免使用敏感的私域客户数据进行LLM训练和微调。
- 知识更新：向量数据库作为LLM的实时更新的知识库。
- 成本：比微调LLM便宜，微调LLM更新模型费用可能很高。
- 缓存：缓存以前的 LLM 提示/回答以提高性能并降低成本。
总结
本期简单讲解了一下LLM的相关信息，下一期将正式进入Oracle Vector DB的相关内容。
老规矩，知道写了些啥。