𝗞𝗻𝗼𝘄𝗹𝗲𝗱𝗴𝗲 𝗚𝗿𝗮𝗽𝗵𝘀: 𝗞𝗲𝗽𝗶𝗻𝗴𝗮𝗻 𝘆𝗮𝗻𝗴 𝗛𝗶𝗹𝗮𝗻𝗴 𝗱𝗮𝗹𝗮𝗺 𝗦𝗶𝘀𝘁𝗲𝗺 𝗥𝗔𝗚

Sebagian besar sistem RAG mengikuti jalur yang sederhana. Dokumen diubah menjadi chunk. Chunk diubah menjadi embedding. Embedding disimpan dalam vector database. Similarity search menemukan teks. LLM memberikan jawaban.

Ini berfungsi untuk banyak chatbot. Ini bekerja dengan baik untuk menemukan teks yang serupa. Namun, ini gagal saat Anda perlu memahami hubungan antar data.

Vector database menemukan hal-hal yang terlihat serupa. Mereka tidak memahami bagaimana hal-hal tersebut saling terhubung.

Perhatikan fakta-fakta berikut:

  • React digunakan dalam Proyek A.
  • Proyek A menggunakan sistem RAG.
  • Sistem RAG menggunakan ChromaDB.

Manusia melihat keterkaitannya: React mengarah ke Proyek A, yang mengarah ke RAG, yang mengarah ke ChromaDB. Vector database melihat empat potongan teks yang terpisah.

Jika Anda bertanya pada vector search "Proyek mana yang menggunakan React dan AI?", ia mungkin akan kesulitan. Ia mencari dokumen dengan kata-kata tersebut. Ia tidak mengikuti jalur di antara keduanya.

Di sinilah knowledge graph membantu. Knowledge graph menyimpan entitas dan koneksinya. Ia memetakan tautan antar konsep.

Anda tidak perlu mengganti vector database Anda. Anda sebaiknya menggunakan keduanya. Ini disebut Graph-RAG.

Vector store menangani semantic retrieval. Graph store menangani relationship retrieval. Bersama-sama, keduanya memberikan konteks yang lebih baik bagi AI agent Anda.

Gunakan lapisan graph saat data Anda mencakup:

  • Dokumen teknis
  • Catatan penelitian
  • Manual produk
  • Pengetahuan perusahaan

Pengguna menginginkan agent yang melakukan lebih dari sekadar menemukan dokumen. Mereka menginginkan agent yang menghubungkan ide. Mereka menginginkan agent yang menjelaskan dependensi.

Berhentilah membangun sistem yang hanya mencari. Mulailah membangun sistem yang bernalar.

Sumber: https://dev.to/vishdevwork/knowledge-graphs-the-missing-piece-in-most-rag-systems-1j75

Komunitas belajar opsional: https://t.me/GyaanSetuAi