Amélioration des recommandations de lecture avec la génération augmentée par récupération et les LLMs

Cet article présente un système récemment développé pour générer des matériaux de lecture adaptés en utilisant des modèles de langage de grande taille (LLMs) en combinaison avec la génération augmentée par récupération (RAG). L'architecture est divisée en quatre composants principaux : Input, RAG, Generation et Judging. Les utilisateurs peuvent soumettre des questions spécifiques et indiquer la complexité souhaitée du contenu de lecture. Le composant RAG est essentiel pour extraire des informations pertinentes sur Internet, enrichissant ainsi le contenu produit par trois LLMs avancés : Meta LLaMA 4 Scout, LLaMA 3.1 8B Instant et Google Gemma2 9B. Le système utilise différentes méthodes de prompting, y compris le Chain-of-Thought, le zero-shot et le few-shot, pour produire du contenu de lecture. De plus, le module LLM-as-a-Judge évalue la qualité des réponses générées et leur adéquation avec le niveau de lisibilité demandé. Les résultats expérimentaux montrent que l'intégration de RAG améliore considérablement la performance du système, augmentant la pertinence et la précision de 26 à 35 points de pourcentage. Ces résultats confirment que ce cadre amélioré par RAG génère efficacement du contenu de lecture qui répond aux demandes des utilisateurs et à leurs préférences de complexité.