الرسوم البيانية المعرفية GraphRAG
يعمل GraphRAG على تحسين عملية الاسترجاع المعززة من خلال بناء رسم بياني معرفي للكيانات والعلاقات من مجموعة المستندات، ثم الاسترجاع عبر تلك البنية بدلاً من أجزاء النص المعزولة.
نظرة عامة
It matters because it answers broad, connect-the-dots questions that flat vector search cannot.
الغوص العميق
تقوم RAG العادية بتقسيم المستندات إلى أجزاء، وتضمينها، واسترداد أقرب عدد قليل منها إلى الاستعلام. ينجح ذلك في عمليات البحث الواقعية الضيقة ولكنه يفشل في الإجابة على الأسئلة الشاملة مثل "ما هي المواضيع الرئيسية عبر مجموعة البيانات بأكملها؟" يستخدم GraphRAG، الذي تم نشره بواسطة Microsoft البحث في عام 2024، بدلاً من ذلك نموذجًا لغويًا لاستخراج الكيانات وسماتها والعلاقات بينها، وتجميع الرسم البياني المعرفي. ثم يقوم بعد ذلك بتشغيل خوارزميات اكتشاف المجتمع مثل Leiden لتجميع الكيانات ذات الصلة وإنشاء ملخصات مسبقًا لكل مجتمع. وفي وقت الاستعلام، يستطيع النظام اجتياز العلاقات وتجميع ملخصات المجتمع هذه، مما يتيح التفكير متعدد القفزات والفهم العالمي. والنتيجة هي إجابات أفضل للأسئلة التي تتناثر أدلتها عبر العديد من المستندات ولا ترتبط إلا من خلال كيانات وسيطة.
البصيرة الفنية
GraphRAG له مرحلتين. الفهرسة: يقرأ LLM الأجزاء ويخرج ثلاثية منظمة (كيان، علاقة، كيان) بالإضافة إلى الأوصاف، والتي يتم إلغاء تكرارها في رسم بياني؛ يقوم التجميع (على سبيل المثال، Leiden) بتجميع العقد في مجتمعات هرمية، يتم تلخيص كل منها بواسطة LLM. الاستعلام: يتوسع البحث "المحلي" من الكيانات المطابقة للاستعلام على طول حوافها، بينما تتقلص خريطة البحث "العالمية" عبر ملخصات المجتمع للإجابة على الأسئلة على مستوى مجموعة البيانات. كلاهما يغذيان السياق المنظم لنموذج التوليد.
التأثير الاستراتيجي
السرعة والحجم
يمكن أن تتحرك مسارات عمل اللغة بشكل أسرع دون التضحية بالاتساق.
الوصول والوصول
فهو يوسع الوصول عبر اللغات وأنماط الاتصال.
قرارات أوضح
يمكن للفرق قضاء المزيد من الوقت في الحكم بينما تتعامل الأتمتة مع التكرار.
مستقبل الرسوم البيانية المعرفية GraphRAG
توقع دمج GraphRAG مع قواعد بيانات الرسم البياني للخصائص، والتعلم الآلي للوجود، وتحديثات الرسم البياني المتزايدة بحيث تظل المعرفة جديدة دون إعادة فهرسة كاملة. أصبحت الأنظمة الهجينة التي تجمع بين تشابه المتجهات مع اجتياز الرسم البياني قياسية، وستسمح خطوط الأنابيب الوكيلة للنماذج بالاستعلام عن الرسم البياني بشكل متكرر. مع تحسن جودة الاستخراج، يجب على GraphRAG تقديم إجابات متعددة القفزات وقابلة للتفسير - مع مسارات كيانات يمكن تتبعها - عملية لقواعد المعرفة المؤسسية، والأدبيات العلمية، والتحليل الاستقصائي.
التنفيذ في العالم الحقيقي
يسأل أحد المحللين "ما هي المواضيع التي تربط بين هذه التقارير العشرة آلاف؟" وإجابات GraphRAG عبر تقليل الخريطة عبر ملخصات المجتمع.
يقوم فريق صيدلاني بربط الجينات والأدوية والأمراض عبر الأوراق لتوضيح العلاقات متعددة القفزات التي قد يفتقدها البحث المتجهي.
تقوم أداة الامتثال بتتبع كيفية قيام المعاملة بربط الكيانات من خلال وسطاء لتحديد علاقات المخاطر المخفية.
تقوم مكتبة GraphRAG مفتوحة المصدر التابعة لـ Microsoft بفهرسة مجموعة نصية إلى كيانات ومجتمعات Leiden للاستعلامات المحلية والعالمية.
المخاطر والدرابزين
يمكن للحقائق المهلوسة إدخال التقارير أو تدفقات الدعم أو مخرجات البحث بهدوء.
يمكن أن تؤدي الحساسية السريعة إلى نتائج غير متناسقة عبر الطلبات المماثلة.
قد يتم كشف البيانات النصية الحساسة إذا كانت عناصر التحكم في الوصول ضعيفة.
خارطة طريق التنفيذ
حدد تنسيق الإخراج والنغمة ومعايير الجودة قبل بدء التشغيل.
استجابات أرضية من مصادر موثوقة عندما تكون الدقة مهمة.
احتفظ بنقطة تفتيش للمراجعة البشرية للمخرجات عالية المخاطر.
تتبع أنماط الفشل وأعد تدريب المطالبات أو سير العمل بانتظام.
استمر في الاستكشاف
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the GraphRAG Knowledge Graphs quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
الدليل التالي
إدارة المعرفة بالذكاء الاصطناعي
الأسئلة المتداولة
What is GraphRAG Knowledge Graphs?
يعمل GraphRAG على تحسين عملية الاسترجاع المعززة من خلال بناء رسم بياني معرفي للكيانات والعلاقات من مجموعة المستندات، ثم الاسترجاع عبر تلك البنية بدلاً من أجزاء النص المعزولة. إنها مهمة لأنها تجيب على أسئلة واسعة النطاق ومتصلة بالنقاط، والتي لا يستطيع البحث عن المتجهات المسطحة حلها.
ما هو الهيكل الأساسي الذي يبنيه GraphRAG والذي يميزه عن RAG القياسي؟
يقوم GraphRAG باستخراج الكيانات والعلاقات بينها في رسم بياني معرفي، بدلاً من الاعتماد فقط على أجزاء نصية معزولة.
ما نوع الأسئلة التي يتعامل معها GraphRAG بشكل أفضل من البحث المتجه المسطح؟
تتفوق GraphRAG في الأسئلة الشاملة متعددة القفزات والتي تكون أدلتها متناثرة ومرتبطة عبر كيانات وسيطة.
ما هي الخوارزمية التي يستخدمها GraphRAG عادةً لتجميع الكيانات ذات الصلة في المجتمعات؟
يطبق GraphRAG أساليب اكتشاف المجتمع مثل Leiden على العقد المرتبطة بالمجموعات، ثم يلخص كل مجتمع.
أثناء الفهرسة، ما الذي ينتجه نموذج اللغة من أجزاء الوثيقة؟
يقرأ LLM الأجزاء ويستخرج الكيانات والسمات والعلاقة الثلاثية التي يتم دمجها في الرسم البياني.
ما الفرق بين البحث "المحلي" و"العالمي" في GraphRAG؟
يجتاز البحث المحلي الكيانات المجاورة للكيانات المطابقة للاستعلام، بينما يقوم البحث العالمي بتجميع ملخصات المجتمع للإجابة على الأسئلة على مستوى مجموعة البيانات.