Docs: Add validation info

README.md

@@ -23,6 +23,20 @@
 
 Наша команда приняла решение собирать информацию четырех видов: резюме, диалоги, ссылка на аккаунт в социальной сети, текстовое описание пользователя. Резюме были взяты из открытых чатов, в которых люди ищут работу в сфере IT. В качестве диалогов использовались сообщения из IT-топиков на Reddit, Текстовые описание пользователей брались из раздела "Summary" в резюме, в качестве аккаунтов в социальных сетях использовались аккаунты на linkedin.
 
+## Валидация ✅
+
+Для сравнения версий приложения, качества используемых моделей и качества RAG-системы мы сформировали валидационную выборку, в которой содержалось по 5 файлов каждого типа данных (резюме, диалоги, текстовые описания, аккаунты в социальных сетях). 
+
+**Flow валидации 📜**
+1. Из каждого файла с помощью ChatGPT извлекается эталонный набор релевантных тегов. 
+2. Из каждого файла с помощью локально развернутой модели производится извлечение тегов с использованием и без использования RAG. 
+3. Для наборов, полученных с использованием и без использования RAG, рассчитываются значения Accuracy относительно эталонного набора, полученного с помощью ChatGPT.
+
+**Результаты 📈**
+
+Использование техники RAG повысило значение Accuracy с 0,489 до 0,546. 
+Более подробно с результатами валидации можно ознакомиться по [ссылке](https://docs.google.com/spreadsheets/d/1P7xZ67yTzmCKRYsSBGk0rixUoe4MMB2cvYnYcIo-r5k/edit?usp=sharing).
+
 ## Модели 🤖
 
 С помощью метода zero-shot и модели facebook/bart-base по данным от пользователя определяется наиболее релевантная профессия с целью дальнейшего извлечения соответствующих профессии навыков. С помощью модели mistralai/Mistral-7B-Instruct-v0.3 из текста выделяются теги, на основании которых строится список потенциальных собеседников с наиболее близкими профессиональным интересами.