GenAI的未来：GraphRAG如何提高LLM的准确性并支持更好的决策

发布时间: 2024-11-05

我们听到这样一种说法，即数据是现代组织的生命线，但真正有效的是企业理解其数据的能力。知识图谱使企业能够理解其数据，将其视为组织的集体“常识”。他们通过从数据之间存在的关系和背景中得出见解来做到这一点。这一增强有助于理解高管的意愿，即做出更明智、更一致的决定，从而带来积极的业务成果现在，肠内复苏增强生成（RAG）。简而言之，RAG是一个优化输出自动语言管理模型（LLM）的过程，从而提供更准确、更可靠的信息。当RAG使用知识图（knownasGraphRAG）增强时，它显著提高了LLM的准确性和长期推理能力GraphRAG仍处于起步阶段，但有充分的理由相信，根据核心论文。GraphRAG将引入外部生成AI，并最终引领我们神经符号AI，AI技术的“圣杯”

让我们来看看技术传播的不可预测的潜力。

用知识图谱解决RAG的局限性

知识图通过两个关键途径解决了与RA相关的限制

（ra2studio/Shutterstock）

null

GraphRAG的演变可以被认为是从最早的网络引擎之一AltaVista到谷歌的转变。AltaVistaco基于关键字salone进行了简短的评估，这很有用，但只是边缘化的。谷歌彻底改变了基于关键字和PageRank，它可以解释每个网页与搜索关键字的重要性和相关性。这正是GraphRAG所做的：浏览信息图和上下文，提供相关、准确的答案。

用GraphRAG回答复杂的问题

图RAG可能是一个令人难以置信的复杂、抽象的问题，因为起初它可能看起来与未成年人没有联系。这里有几个例子：

Q： 哪两种航空公司将在希腊心理学中使用A： 太阳和阿特拉斯没有任何文件可以回答这个问题，也就是说，答案无法在谷歌或谷歌上找到。相反，GraphRAG必须将分开的电源之间的节点连接起来，以获得答案。它首先确定了哪些航线是希腊气象学中的故障，然后检查了赫利俄斯和阿特拉斯的家族，以确认它们之间的关系Q： 微软的销售对卢旺达的疟疾病例数量有何影响A： 随着微软销售额的增长，卢旺达的疟疾病例随着时间的推移而减少同样，没有具体的文件明确回答这个问题。GraphRAG连接到，当微软的销售额增加时；MelindaGates基金会投入更多资金用于疟疾研究和治疗，从而减少了卢旺达的疾病

使用GraphRAG克服电子商务挑战

尽管前面的例子需要使用GraphRAG’；下面的例子说明了在询问LLM供应链问题时，企业可能会遇到更合理的情况亚利桑那州发生的火灾可能会影响他们的运营。他们提出了以下问题：

• 亚利桑那州有什么流行的东西在吸引投资
• 如果来自亚利桑那州的某些商品自动上架，其他哪些产品会受到影响

尽管到处都有关于这些组件（供应商、销售、工具、库存、发货地点等）选择的信息，但这些资源没有连接，很难手动下载。因此，要回答这些看似直接的供应链问题，图RAG需要最准确、最及时地回答这些问题，并考虑到每个因素及其相互关系

展望未来：GraphRAG的主要优势和考虑因素

如前所述，GraphRAG的主要优势在于其显著提高LLM准确性和长期推理能力的能力。这是因为更精确的LLM可以自动增加复杂和复杂的任务，并提供有助于做出更明智决策的见解此外，性能更高的LLM可以应用于国外的错误用例，包括需要极高速度准确性的同一行业内的用例，如医疗保健和金融。也就是说，随着GraphRAG的进步，人类的监督是必要的。它确保了技术产品的可验证性，以及通过必要的图形转换手动反馈的合理性在当今世界，成功取决于企业对数据的理解能力和正确的平均值。但大多数组织都在成百上千的数据表中游荡，几乎没有考虑到实际发生的事情。这可能会导致决策制定和技术缺陷得不到解决知识图谱对于帮助企业了解其数据至关重要，当与RAG结合使用时，可能性是无限的。GraphRAG展示了下一波人工智能的浪潮，而理解这一点的组织将超越创新的前沿

作者简介：NikolaosVasiloglouisteVPO MLat研究Relational AI，他在大型语言模型和知识图的交叉部分进行了搜索和战略探索。他希望自己的职业生涯能够构建ML软件，并在零售、在线广告和安全方面进行数据科学项目。他是ILR/ICML/NeurIPS/UAI/MLconf/KGC/IEES&；p社区的成员，拥有一名作者、一名评审员和研讨会组织者以及一个会议。

帖子GenAI的未来：GraphRAGE如何提高LLMA准确性和增强决策能力首次出现在BigDATAwire

-