SWchat - AI voor Stedelijk Water
Informatie op basis van het Gegevenswoordenboek Stedelijk Water (GWSW). Het GWSW beschrijft voorzieningen en activiteiten voor de discipline Stedelijk Water.Tips:
SWchat kent de volgende aspecten van het vakgebied:- De kennis van SWchat beperkt zich tot de inhoud van het GWSW maar blijf waakzaam voor zogenaamde hallucinaties.
- SWchat gebruikt per antwoord een begrensde selectie van de brongegevens, daarom geeft het niet altijd een volledig overzicht. Bijvoorbeeld een opsomming van soorten voorzieningen kan hierdoor beperkt blijven.
- Vraag door bij twijfel, gedetailleerde vragen en termen zijn effectiever dan algemene.
- Verkeerde antwoorden van SWchat zijn het gevolg van onvoldoende GWSW-brongegevens. Graag uw opmerkingen via gwsw@rioned.org of Webprotege.
- Definities en beschrijvingen per concept (voorzieningen en activiteiten).
- De opbouw per concept (de samenstelling, inclusief "kardinaliteit").
- Functie en uitvoering per concept ("onderscheidende kenmerken").
- Eigenschappen per concept (kenmerken/attributen).
- Eenheden en waarde-bereik van eigenschappen (min/max).
- Domeinwaarden van eigenschappen (collecties).
De basis van SWchat
De geleverde informatie is gebaseerd op het GWSW Datamodel, de belangrijkste gegevens daarvan zijn opgenomen in de brondata van SWchat. Het datamodel met alle details vindt u op data.gwsw.nl.
De AI ondersteuning wordt geleverd door Mistral AI.
SWchat is gebaseerd op "Retrieval-augmented generation" (RAG), een techniek waarmee informatie wordt toegevoegd aan Large Language Models (LLMs). Zo'n LLM is de basis van AI-chatbots.
Met RAG zal een LLM alleen vragen beantwoorden op basis van de toegevoegde documenten. Dit voorkomt zoveel mogelijk "hallucinaties" van de chatbot.
De toegevoegde gegevens vormen uitbreiding van de trainingsdata voor een LLM . Daarmee helpen we LLM-gebaseerde chatbots om antwoorden te genereren op basis van beproefde data zoals die van het GWSW.
Met RAG zal een LLM alleen vragen beantwoorden op basis van de toegevoegde documenten. Dit voorkomt zoveel mogelijk "hallucinaties" van de chatbot.
De toegevoegde gegevens vormen uitbreiding van de trainingsdata voor een LLM . Daarmee helpen we LLM-gebaseerde chatbots om antwoorden te genereren op basis van beproefde data zoals die van het GWSW.