મલ્ટી-હોપ રીઝનિંગ (Multi-Hop Reasoning) ને સમજવું

વેક્ટર ડેટાબેઝ (Vector databases) સેમેન્ટિક સર્ચ માટે કામ કરે છે. તેઓ લોકો, સિસ્ટમ્સ અને ઘટનાઓ વચ્ચેના મલ્ટી-સ્ટેપ રીઝનિંગમાં સંઘર્ષ કરે છે.

સ્ટાન્ડર્ડ RAG ગણિતના આધારે ટેક્સ્ટ ચંક્સ (text chunks) મેળવે છે. તે ડેટા પોઈન્ટ્સ વચ્ચેના લિંક્સને ચૂકી જાય છે. GraphRAG આ સમસ્યાનું સમાધાન કરે છે. તે Large Language Models ને લાઈવ નોલેજ ગ્રાફ (knowledge graph) સાથે જોડે છે.

એક Text-Attributed Graph નોડ્સ (nodes) અને એજિસ (edges) નો ઉપયોગ કરે છે.

  • નોડ્સ એ યુઝર્સ અથવા પ્રોડક્ટ્સ જેવી એન્ટિટીઝ (entities) છે.
  • એજિસ એ "IMPACTS" અથવા "CLONED_FROM" જેવા સંબંધો છે.
  • "હોપ" (hop) એટલે એજ દ્વારા એક નોડથી બીજા નોડ પર જવું.

મલ્ટી-હોપ રીઝનિંગ એવા જોડાણો શોધે છે જે કોઈ એક ડોક્યુમેન્ટમાં હોતા નથી.

ઉદાહરણ: એક યુઝર પૂછે છે, "હું CSV અપલોડ એરર કેવી રીતે સુધારી શકું?"

સ્ટાન્ડર્ડ RAG કીવર્ડ્સ માટે સર્ચ કરે છે. તે કદાચ જૂનું FAQ અથવા કોઈ રેન્ડમ બગ રિપોર્ટ રિટર્ન કરી શકે છે. તે બિઝનેસ કોન્ટેક્સ્ટ (business context) ને ચૂકી જાય છે.

GraphRAG ચોક્કસ પાથ ટ્રેસ કરે છે: (User Bug Report) -> [CLONED_FROM] -> (Master Engineering Ticket) -> [HAS_RESOLUTION] -> (Patch Deployed).

આ LLM ને અંદાજ લગાવવાને બદલે વેરિફાઇડ સ્ટેપ્સ આપે છે.

તમે આને બે પદ્ધતિઓ દ્વારા નિયંત્રિત કરી શકો છો:

  1. Depth Traversal ચોક્કસ વિગતોમાં ઊંડા ઉતરવા માટે આનો ઉપયોગ કરો. તે રૂટ-કોઝ એનાલિસિસ (root-cause analysis) માટે ઉપયોગી છે. Cypher માં, તમે હોપ્સની રેન્જ સેટ કરો છો. કોઈ બગ માટે રિપ્રોડક્શન સ્ટેપ્સ શોધવા માટે ક્વેરી 1 થી 5 લેયર ઊંડી જોઈ શકે છે.

  2. Breadth Traversal આખા ઇકોસિસ્ટમને જોવા માટે આનો ઉપયોગ કરો. તે તમામ તાત્કાલિક જોડાણો જોવા માટે હોરિઝોન્ટલી વિસ્તરે છે. આ તમને એકસાથે સિંગલ પ્રોડક્ટને અસર કરતા દરેક સપોર્ટ ટિકિટ જોવા માટે મદદ કરે છે.

એડવાન્સ્ડ AI બનાવવા માટે, આ ક્વેરીઝને હાર્ડ-કોડ (hard-code) કરશો નહીં. મલ્ટી-એજન્ટ સિસ્ટમનો ઉપયોગ કરો:

  • The Coordinator Agent: આ એજન્ટ ક્વેરીનું આયોજન કરે છે. પ્રશ્નને બ્રેડ્થની જરૂર છે કે ડેપ્થની તે નક્કી કરે છે. તે યુઝર પ્રોમ્પ્ટને ગ્રાફ ક્વેરી માટે ગાણિતિક પેરામીટરમાં ફેરવે છે.
  • The Recursive Retrieval Agent: આ એજન્ટ ડેટાબેઝ જેમ નોડ્સ શોધે તેમ તેનું મૂલ્યાંકન કરે છે. તે LLM જોતા પહેલા મહત્વપૂર્ણ ડેટા રાખે છે અને નોઈઝ (noise) દૂર કરે છે.

આ આર્કિટેક્ચર એવા સિસ્ટમ્સ બનાવે છે જે તેમની તપાસને સ્કેલ (scale) કરી શકે છે. તમને સંપૂર્ણ જવાબો મળે છે જે વેક્ટર સર્ચ આપી શકતું નથી.

સ્ત્રોત: https://dev.to/imhyke/understanding-multi-hop-reasoning-how-graph-databases-traverse-data-for-ai-31ml

વૈકલ્પિક લર્નિંગ કોમ્યુનિટી: https://t.me/GyaanSetuAi