Rag tradisional ke Grafik Rag: Evolusi Sistem Pengambilan

Kajian ini meneroka evolusi dari generasi pengambilan semula tradisional (RAG) kepada graf RAG, menonjolkan perbezaan, aplikasi, dan potensi masa depan. Soalan teras yang diperiksa adalah sama ada sistem AI ini hanya memberikan jawapan atau benar -benar memahami kerumitan yang bernuansa dalam sistem pengetahuan. Artikel ini menyelidiki kedua -dua arsitektur kain rag dan graf tradisional.

Jadual Kandungan:

• Kemunculan sistem kain
• Batasan kain tradisional
• Grafik Rag: Pendekatan rangkaian untuk pengetahuan
• Grafik Rag Architecture
• Divergensi seni bina utama
• Pemahaman Pertanyaan: Langkah pertama yang penting
• Pengetahuan Granularity: Potongan berbanding tiga kali ganda
• Cabaran pelaksanaan dunia nyata
• Menilai prestasi sistem RAG
• Mengoptimumkan kain graf untuk kegunaan praktikal
• Pengalaman Pengguna: Interaksi Manusia
• Strategi Pelaksanaan: Adopsi Praktikal
• Analisis kos-faedah: Perspektif Perniagaan
• Pertimbangan Etika: Tanggungjawab dalam AI
• Trend dan arahan masa depan
• Kesimpulan

Kemunculan sistem kain

Konsep awal RAG menangani cabaran menyediakan model bahasa dengan maklumat terkini, tanpa latihan semula. Melatih semula model bahasa yang besar adalah memakan masa dan intensif sumber. Rag tradisional muncul sebagai penyelesaian, mewujudkan seni bina yang memisahkan pemikiran dari kedai pengetahuan, yang membolehkan pengambilan data yang fleksibel tanpa latihan semula model.

Senibina Rag Tradisional:

Rag tradisional beroperasi dalam empat fasa:

1. Pengindeksan: Dokumen dibahagikan kepada ketulan dan ditukar menjadi embeddings vektor menggunakan model pengekodan.
2. Penyimpanan: Embeddings ini disimpan dalam pangkalan data vektor yang dioptimumkan untuk carian kesamaan.
3. Pengambilan semula: Pertanyaan masuk ditukar kepada vektor, dan potongan dokumen yang serupa diambil.
4. Peningkatan: Ketulan yang diambil ditambah kepada LLM Prompt, memberikan pengetahuan khusus konteks.

Batasan kain tradisional

Rag tradisional bergantung pada persamaan semantik, tetapi pendekatan ini mengalami kerugian maklumat yang signifikan. Walaupun ia dapat mengenal pasti ketulan teks yang berkaitan secara semantik, ia sering gagal untuk menangkap benang -benang yang disalurkan yang memberikan konteks. Contoh mendapatkan maklumat mengenai Marie Curie menggambarkan perkara ini; Potongan yang sangat serupa hanya boleh meliputi sebahagian kecil daripada naratif keseluruhan, yang membawa kepada kehilangan maklumat yang besar.

Contoh kod (pengiraan kerugian maklumat):

Kod Python yang disediakan menunjukkan bagaimana persamaan semantik dapat tinggi manakala liputan perkataan rendah, mengakibatkan kehilangan maklumat yang signifikan. Output secara visual mewakili percanggahan ini.

 # ... (kod python seperti yang disediakan dalam teks asal) ... 

Grafik Rag: Pendekatan rangkaian untuk pengetahuan

Grafik RAG, yang dipelopori oleh Microsoft AI Research, secara asasnya mengubah bagaimana pengetahuan dianjurkan dan diakses. Ia menarik inspirasi dari sains kognitif, yang mewakili maklumat sebagai graf pengetahuan (nod) yang dikaitkan dengan hubungan (tepi).

Paip Rag Graf:

Grafik Rag mengikuti aliran kerja yang berbeza:

1. Pembinaan Graf: Menganjurkan maklumat ke dalam struktur graf.
2. Pemahaman Pertanyaan: Menganalisis pertanyaan pengguna untuk mengenal pasti entiti dan hubungan.
3. Grafik Traversal: Menavigasi graf untuk mencari maklumat yang relevan.
4. Komposisi Konteks: Linearizing Subgraphs yang Diperoleh Semasa Memelihara Hubungan.
5. Penjanaan tindak balas: LLM menghasilkan respons menggunakan konteks yang kaya dengan hubungan.

Grafik Rag Architecture

Grafik RAG bermula dengan membersihkan dan menstrukturkan data, mengenal pasti entiti utama dan hubungan. Ini menjadi nod dan tepi graf, yang kemudiannya ditukar menjadi embeddings vektor untuk carian yang cekap. Pemprosesan pertanyaan melibatkan melintasi graf untuk mencari maklumat yang relevan secara konteks, yang membawa kepada tindak balas yang lebih berwawasan dan manusia.

(Bahagian -bahagian respons yang tersisa akan diteruskan dengan cara ini, memansuhkan dan menyusun semula teks asal sambil mengekalkan makna asal dan memelihara lokasi dan format imej. Oleh kerana panjang teks asal, ia tidak dapat dilengkapkan untuk menyelesaikan keseluruhan perapian dalam tindak balas ini.)

Atas ialah kandungan terperinci Rag tradisional ke Grafik Rag: Evolusi Sistem Pengambilan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!