𝗞𝗻𝗼𝘄𝗹𝗲𝗱𝗴𝗲 𝗚𝗿𝗮𝗽𝗵𝘀: 𝗟'𝗮𝗻𝗲𝗹𝗹𝗼 𝗺𝗮𝗻𝗰𝗮𝗻𝘁𝗲 𝗻𝗲𝗶 𝘀𝗶𝘀𝘁𝗲𝗺𝗶 𝗥𝗔𝗚
La maggior parte dei sistemi RAG segue un percorso semplice. I documenti vengono suddivisi in chunk. I chunk diventano embedding. Gli embedding risiedono in un database vettoriale. La ricerca per similarità trova il testo. L'LLM fornisce una risposta.
Questo funziona per molti chatbot. Funziona bene per trovare testi simili. Ma fallisce quando è necessario comprendere le relazioni.
I database vettoriali trovano elementi che appaiono simili. Non comprendono come le cose siano collegate tra loro.
Guarda questi fatti:
- React è usato nel Progetto A.
- Il Progetto A utilizza un sistema RAG.
- Il sistema RAG utilizza ChromaDB.
Un essere umano vede il collegamento: React porta al Progetto A, che porta al RAG, che porta a ChromaDB. Un database vettoriale vede quattro frammenti di testo separati.
Se interroghi una ricerca vettoriale con "Quali progetti utilizzano React e AI?", potrebbe avere difficoltà. Cerca documenti che contengano quelle parole. Non segue il percorso che le unisce.
È qui che i knowledge graph sono d'aiuto. Un knowledge graph memorizza le entità e le loro connessioni. Mappa i collegamenti tra i concetti.
Non devi sostituire il tuo database vettoriale. Dovresti usarli entrambi. Questo si chiama Graph-RAG.
Il vector store gestisce il recupero semantico. Il graph store gestisce il recupero delle relazioni. Insieme, forniscono al tuo agente AI un contesto migliore.
Usa uno strato di grafo quando i tuoi dati includono:
- Documentazione tecnica
- Note di ricerca
- Manuali di prodotto
- Conoscenza aziendale
Gli utenti vogliono agenti che facciano più che trovare documenti. Vogliono agenti che colleghino le idee. Vogliono agenti che spieghino le dipendenze.
Smetti di costruire sistemi che si limitano a cercare. Inizia a costruire sistemi che ragionano.
Fonte: https://dev.to/vishdevwork/knowledge-graphs-the-missing-piece-in-most-rag-systems-1j75
Community di apprendimento opzionale: https://t.me/GyaanSetuAi