Graphiques de connaissances GraphRAG
GraphRAG améliore la génération augmentée par récupération en créant un graphe de connaissances d'entités et de relations à partir d'une collection de documents, puis en récupérant sur cette structure au lieu de morceaux de texte isolés.
Aperçu
It matters because it answers broad, connect-the-dots questions that flat vector search cannot.
Plongée profonde
Le RAG ordinaire divise les documents en morceaux, les intègre et récupère les plus proches d'une requête. Cela fonctionne pour des recherches factuelles étroites, mais échoue pour des questions holistiques telles que « quels sont les principaux thèmes de cet ensemble de données ? » GraphRAG, popularisé par Microsoft Research en 2024, utilise à la place un modèle de langage pour extraire les entités, leurs attributs et les relations entre elles, en assemblant un graphe de connaissances. Il exécute ensuite des algorithmes de détection de communauté tels que Leiden pour regrouper les entités associées et pré-génére des résumés pour chaque communauté. Au moment de la requête, le système peut parcourir les relations et regrouper ces résumés de communauté, permettant ainsi un raisonnement multi-sauts et une élaboration de sens globale. Il en résulte de meilleures réponses aux questions dont les preuves sont dispersées dans de nombreux documents et reliées uniquement par des entités intermédiaires.
Aperçu technique
GraphRAG comporte deux phases. Indexation : un LLM lit des morceaux et génère des triplets structurés (entité, relation, entité) ainsi que des descriptions, qui sont dédupliqués dans un graphique ; le clustering (par exemple, Leiden) regroupe les nœuds en communautés hiérarchiques, chacune résumée par le LLM. Requête : la recherche « locale » s'étend à partir des entités correspondant à une requête le long de leurs bords, tandis que la recherche « globale » se réduit sur les résumés de la communauté pour répondre aux questions à l'échelle de l'ensemble de données. Les deux alimentent le contexte structuré du modèle de génération.
Impact stratégique
Vitesse et échelle
Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence.
Accès et portée
Il étend l’accès à toutes les langues et styles de communication.
Décisions plus claires
Les équipes peuvent consacrer plus de temps au jugement tandis que l’automatisation gère les répétitions.
L'avenir des graphiques de connaissances GraphRAG
Attendez-vous à ce que GraphRAG fusionne avec les bases de données de graphes de propriétés, l'apprentissage automatique des ontologies et les mises à jour incrémentielles des graphes afin que les connaissances restent à jour sans réindexation complète. Les systèmes hybrides combinant similarité vectorielle et parcours de graphe deviennent la norme, et les pipelines agents permettront aux modèles d'interroger le graphe de manière itérative. À mesure que la qualité de l’extraction s’améliore, GraphRAG devrait fournir des réponses explicables à plusieurs sauts – avec des chemins d’entité traçables – pratiques pour les bases de connaissances d’entreprise, la littérature scientifique et l’analyse d’investigation.
Mise en œuvre dans le monde réel
Un analyste demande : « Quels thèmes relient ces 10 000 rapports ? » et GraphRAG répond via map-reduce sur les résumés de la communauté.
Une équipe pharmaceutique relie les gènes, les médicaments et les maladies dans différents articles pour faire apparaître des relations multi-sauts qu'une recherche vectorielle manquerait.
Un outil de conformité retrace la manière dont une transaction connecte les entités via des intermédiaires pour signaler les relations à risque caché.
La bibliothèque open source GraphRAG de Microsoft indexe un corpus en entités et communautés de Leiden pour les requêtes locales et mondiales.
Risques et garde-fous
Les faits hallucinés peuvent discrètement entrer dans des rapports, des flux de support ou des résultats de recherche.
La sensibilité des invites peut créer des résultats incohérents pour des demandes similaires.
Les données textuelles sensibles peuvent être exposées si les contrôles d’accès sont faibles.
Feuille de route de mise en œuvre
Définissez le format de sortie, le ton et les normes de qualité avant le déploiement.
Établissez des réponses auprès de sources fiables chaque fois que la précision est importante.
Gardez un point de contrôle d’examen humain pour les résultats à enjeux élevés.
Suivez les modèles de défaillance et recyclez régulièrement les invites ou les flux de travail.
Continuez à explorer
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
Guide suivant
Gestion des connaissances en IA
Questions fréquemment posées
What is GraphRAG Knowledge Graphs?
GraphRAG améliore la génération augmentée par récupération en créant un graphe de connaissances d'entités et de relations à partir d'une collection de documents, puis en récupérant sur cette structure au lieu de morceaux de texte isolés. C’est important car il répond à des questions générales et reliant les points que la recherche vectorielle plate ne peut pas résoudre.
Quelle structure de base GraphRAG construit-il qui le distingue du RAG standard ?
GraphRAG extrait les entités et les relations entre elles dans un graphe de connaissances, plutôt que de s'appuyer uniquement sur des morceaux de texte isolés.
Quel type de question GraphRAG traite-t-il mieux que la recherche vectorielle plate ?
GraphRAG excelle dans les questions holistiques à plusieurs sauts dont les preuves sont dispersées et liées via des entités intermédiaires.
Quel algorithme GraphRAG utilise-t-il couramment pour regrouper les entités liées en communautés ?
GraphRAG applique des méthodes de détection de communauté comme Leiden pour regrouper les nœuds associés, puis résume chaque communauté.
Lors de l'indexation, que produit le modèle de langage à partir des morceaux de document ?
Un LLM lit les morceaux et extrait les entités, les attributs et les triplets de relations qui sont fusionnés dans le graphique.
Quelle est la différence entre la recherche « locale » et « globale » dans GraphRAG ?
La recherche locale traverse les voisins des entités correspondant à une requête, tandis que la recherche globale regroupe les résumés de la communauté pour répondre aux questions à l'échelle de l'ensemble de données.