Teknologier Brukt Under BA Prosjektet
Hva vi har brukt
Python
Python er et høynivå programmeringsspråk med mange bruksområder, kjent for sin enkelhet og lesbarhet. Det er mye brukt innen AI og maskinlæring på grunn av sine kraftige biblioteker som TensorFlow, Keras og PyTorch, som forenkler utviklingen av komplekse modeller. Python har også et stort og aktivt samfunn som bidrar med mange ressurser og verktøy. Dette gjorde det til et ideelt valg for vår gruppe. Dette er det første prosjektet hvor vår gruppe bruker Python.
Django REST API
Django er et høynivå web-rammeverk for Python som gjør det mulig å lage et REST API og utvikle webapplikasjoner raskt og enkelt. Django tilbyr innebygd støtte for administrasjonsgrensesnitt, autentisering, og URL-ruting, noe som sparer utviklingstid og gjør det lettere å administrere applikasjonen. Dette passer vår gruppe godt, ettersom AI-chatboten skal være tilgjengelig på websider. Django's robusthet og skalerbarhet sikrer at applikasjonen vår kan vokse og tilpasse seg økende trafikk og datamengder.
LLaMA-2
LLaMA-2 er utviklet av Facebook Research og er en åpen LLM (Large Language Model) som alle kan bruke. Den er tilgjengelig via Hugging Face og er kjent for sin evne til å generere naturlig og kontekstuelt relevant tekst. Vår gruppe bruker en norsk versjon av LLaMA-2, noe som gjør det mulig for oss å håndtere oppgaver på norsk med høy nøyaktighet. Denne modellen er ideell for vår AI-chatbot, da den kan forstå og generere norsk tekst på en måte som er relevant og nyttig for brukerne våre.
MongoDB
MongoDB er en dokumentorientert NoSQL-database hvor dokumentene er strukturert som JSON-objekter. Denne fleksibiliteten gjør det enkelt å lagre komplekse datastrukturer. Vi har brukt MongoDB i andre prosjekter, og det passet perfekt til våre behov for dette prosjektet med å lagre data fra Forbrukertilsynets sider. MongoDBs skalerbarhet og effektive håndtering av store mengder ustrukturert data gjør det til et ideelt valg for å samle og analysere informasjon fra disse nettsidene.
RAG (Retrieval-Augmented Generation)
RAG er en teknikk for å forbedre genereringen av tekst ved å integrere informasjon hentet fra eksterne datakilder. Denne metoden kombinerer henting av relevante dokumenter med generering av svar, noe som gir mer nøyaktige og informerte resultater. Vi bruker RAG-teknikken for å gi vår AI-chatbot tilgang til dataene våre fra MongoDB-databasen. Dette gjør at chatboten kan hente oppdatert og kontekstuell informasjon direkte fra databasen, og dermed gi mer presise og nyttige svar til brukerne.