GraphRAG กราฟความรู้
GraphRAG ปรับปรุงการสร้างการดึงข้อมูลแบบเสริมโดยการสร้างกราฟความรู้ของเอนทิตีและความสัมพันธ์จากคอลเลกชันเอกสาร จากนั้นดึงข้อมูลผ่านโครงสร้างนั้นแทนการแยกส่วนข้อความ
ภาพรวม
It matters because it answers broad, connect-the-dots questions that flat vector search cannot.
เจาะลึก
Ordinary RAG แบ่งเอกสารออกเป็นส่วนๆ ฝังเอกสารเหล่านั้น และดึงข้อมูลที่ใกล้ที่สุดสองสามรายการไปยังแบบสอบถาม ซึ่งใช้ได้กับการค้นหาข้อเท็จจริงในวงแคบแต่ล้มเหลวสำหรับคำถามแบบองค์รวม เช่น 'ธีมหลักของชุดข้อมูลทั้งหมดนี้คืออะไร' GraphRAG ซึ่งได้รับความนิยมโดยการวิจัย Microsoft ในปี 2024 แทนที่จะใช้โมเดลภาษาเพื่อแยกเอนทิตี คุณลักษณะ และความสัมพันธ์ระหว่างสิ่งเหล่านั้น แล้วประกอบเป็นกราฟความรู้ จากนั้นจะเรียกใช้อัลกอริธึมการตรวจจับชุมชน เช่น Leiden ไปยังเอนทิตีที่เกี่ยวข้องกับคลัสเตอร์ และสร้างสรุปล่วงหน้าสำหรับแต่ละชุมชน ในช่วงเวลาสืบค้น ระบบสามารถสำรวจความสัมพันธ์และรวบรวมบทสรุปของชุมชนเหล่านี้ ทำให้เกิดการใช้เหตุผลแบบหลายฮอปและการสร้างความรู้สึกทั่วโลก ผลลัพธ์ที่ได้คือคำตอบที่ดีกว่าสำหรับคำถามที่มีหลักฐานกระจัดกระจายอยู่ในเอกสารจำนวนมากและเชื่อมโยงผ่านหน่วยงานระดับกลางเท่านั้น
ข้อมูลเชิงลึกทางเทคนิค
GraphRAG มีสองเฟส การจัดทำดัชนี: LLM อ่านชิ้นส่วนและเอาต์พุตที่มีโครงสร้างสามเท่า (เอนทิตี ความสัมพันธ์ เอนทิตี) พร้อมคำอธิบาย ซึ่งจะถูกกรองข้อมูลที่ซ้ำกันออกเป็นกราฟ การจัดกลุ่ม (เช่น ไลเดน) จัดกลุ่มโหนดออกเป็นชุมชนแบบลำดับชั้น โดยแต่ละโหนดสรุปโดย LLM การสืบค้น: การค้นหา 'ท้องถิ่น' จะขยายจากเอนทิตีที่ตรงกับคำค้นหาไปตามขอบ ในขณะที่แผนที่การค้นหา 'ทั่วโลก' จะลดลงจากบทสรุปของชุมชนเพื่อตอบคำถามทั่วทั้งชุดข้อมูล บริบทที่มีโครงสร้างฟีดทั้งสองแบบไปยังโมเดลการสร้าง
ผลกระทบเชิงกลยุทธ์
ความเร็วและขนาด
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ
เข้าถึงและเข้าถึง
ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร
การตัดสินใจที่ชัดเจนยิ่งขึ้น
ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ
อนาคตของกราฟความรู้ GraphRAG
คาดหวังว่า GraphRAG จะผสานเข้ากับฐานข้อมูลกราฟคุณสมบัติ การเรียนรู้ภววิทยาอัตโนมัติ และการอัปเดตกราฟส่วนเพิ่ม เพื่อให้ความรู้มีความสดใหม่โดยไม่ต้องจัดทำดัชนีใหม่ทั้งหมด ระบบไฮบริดที่รวมเอาความคล้ายคลึงของเวกเตอร์เข้ากับการเคลื่อนที่ของกราฟกลายเป็นมาตรฐาน และไปป์ไลน์แบบเอเจนต์จะช่วยให้โมเดลสามารถสืบค้นกราฟซ้ำๆ ได้ เมื่อคุณภาพการสกัดดีขึ้น GraphRAG ควรสร้างคำตอบแบบหลายฮอปที่อธิบายได้ — พร้อมเส้นทางเอนทิตีที่ติดตามได้ — ใช้งานได้จริงสำหรับฐานความรู้ขององค์กร วรรณกรรมทางวิทยาศาสตร์ และการวิเคราะห์เชิงสืบสวน
การใช้งานจริงในโลกแห่งความเป็นจริง
นักวิเคราะห์ถามว่า 'ธีมใดที่เชื่อมโยงกับรายงาน 10,000 ฉบับเหล่านี้' และคำตอบของ GraphRAG ผ่านทาง map-reduce บนบทสรุปของชุมชน
ทีมเภสัชกรรมเชื่อมโยงยีน ยา และโรคในเอกสารต่างๆ เพื่อแสดงความสัมพันธ์แบบมัลติฮอปที่การค้นหาเวกเตอร์อาจพลาดไป
เครื่องมือการปฏิบัติตามกฎระเบียบจะติดตามวิธีที่ธุรกรรมเชื่อมโยงเอนทิตีผ่านตัวกลางเพื่อระบุความสัมพันธ์ที่มีความเสี่ยงที่ซ่อนอยู่
ไลบรารี GraphRAG แบบโอเพ่นซอร์สของ Microsoft จัดทำดัชนีคลังข้อมูลเป็นเอนทิตีและชุมชนไลเดนสำหรับการสืบค้นในท้องถิ่นและทั่วโลก
ความเสี่ยงและรั้ว
ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ
ความละเอียดอ่อนของการแจ้งเตือนสามารถสร้างผลลัพธ์ที่ไม่สอดคล้องกันในคำขอที่คล้ายกัน
ข้อมูลข้อความที่ละเอียดอ่อนอาจถูกเปิดเผยหากการควบคุมการเข้าถึงอ่อนแอ
แผนงานการดำเนินงาน
กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว
การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ
รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง
ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ
สำรวจต่อไป
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
คำแนะนำต่อไป
การจัดการความรู้เอไอ
คำถามที่พบบ่อย
What is GraphRAG Knowledge Graphs?
GraphRAG ปรับปรุงการสร้างการดึงข้อมูลแบบเสริมโดยการสร้างกราฟความรู้ของเอนทิตีและความสัมพันธ์จากคอลเลกชันเอกสาร จากนั้นดึงข้อมูลผ่านโครงสร้างนั้นแทนการแยกส่วนข้อความ มันสำคัญเพราะมันตอบคำถามกว้างๆ ที่เชื่อมโยงจุดที่การค้นหาเวกเตอร์แบบเรียบไม่สามารถทำได้
GraphRAG สร้างโครงสร้างหลักใดที่แตกต่างจาก RAG มาตรฐาน
GraphRAG แยกเอนทิตีและความสัมพันธ์ระหว่างสิ่งเหล่านั้นออกมาเป็นกราฟความรู้ แทนที่จะอาศัยเฉพาะส่วนข้อความที่แยกออกมาเท่านั้น
GraphRAG คำถามประเภทใดจัดการได้ดีกว่าการค้นหาเวกเตอร์แบบแบน
GraphRAG เก่งในเรื่องคำถามแบบองค์รวมแบบ multi-hop ซึ่งมีหลักฐานกระจัดกระจายและเชื่อมโยงกันผ่านเอนทิตีระดับกลาง
GraphRAG มักใช้อัลกอริทึมใดในการจัดกลุ่มเอนทิตีที่เกี่ยวข้องกับชุมชน
GraphRAG ใช้วิธีการตรวจจับชุมชน เช่น Leiden กับกลุ่มโหนดที่เกี่ยวข้อง จากนั้นสรุปแต่ละชุมชน
ในระหว่างการจัดทำดัชนี โมเดลภาษาสร้างอะไรจากชิ้นส่วนเอกสาร
LLM อ่านส่วนต่างๆ และแยกเอนทิตี คุณลักษณะ และความสัมพันธ์สามประการที่ผสานเข้ากับกราฟ
อะไรคือความแตกต่างระหว่างการค้นหา 'ท้องถิ่น' และ 'ทั่วโลก' ใน GraphRAG?
การค้นหาในท้องถิ่นจะสำรวจเพื่อนบ้านของเอนทิตีที่ตรงกับคำค้นหา ในขณะที่การค้นหาทั่วโลกจะรวบรวมสรุปชุมชนเพื่อตอบคำถามทั่วทั้งชุดข้อมูล