ಮಲ್ಟಿ-ಹೋಪ್ ರೀಸನಿಂಗ್ ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು

ವೆಕ್ಟರ್ ಡೇಟಾಬೇಸ್‌ಗಳು ಸೆಮ್ಯಾಂಟಿಕ್ ಸರ್ಚ್‌ಗಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತವೆ. ಆದರೆ ಜನರು, ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಘಟನೆಗಳ ನಡುವಿನ ಮಲ್ಟಿ-ಸ್ಟೆಪ್ ರೀಸನಿಂಗ್‌ನಲ್ಲಿ ಅವು ಕಷ್ಟಪಡುತ್ತವೆ.

ಸ್ಟ್ಯಾಂಡರ್ಡ್ RAG ಗಣಿತದ ಆಧಾರದ ಮೇಲೆ ಪಠ್ಯದ ತುಣುಕುಗಳನ್ನು (text chunks) ಹಿಂಪಡೆಯುತ್ತದೆ. ಇದು ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳ ನಡುವಿನ ಸಂಬಂಧಗಳನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತದೆ. GraphRAG ಇದನ್ನು ಪರಿಹರಿಸುತ್ತದೆ. ಇದು Large Language Models ಅನ್ನು ಲೈವ್ ನೌಲೆಡ್ಜ್ ಗ್ರಾಫ್‌ಗೆ (knowledge graph) ಸಂಪರ್ಕಿಸುತ್ತದೆ.

ಒಂದು ಟೆಕ್ಸ್ಟ್-ಅಟ್ರಿಬ್ಯೂಟೆಡ್ ಗ್ರಾಫ್ (Text-Attributed Graph) ನೋಡ್‌ಗಳು (nodes) ಮತ್ತು ಎಡ್ಜ್‌ಗಳನ್ನು (edges) ಬಳಸುತ್ತದೆ.

  • ನೋಡ್‌ಗಳು ಬಳಕೆದಾರರು ಅಥವಾ ಉತ್ಪನ್ನಗಳಂತಹ ಎಂಟಿಟಿಗಳಾಗಿವೆ.
  • ಎಡ್ಜ್‌ಗಳು "IMPACTS" ಅಥವಾ "CLONED_FROM" ನಂತಹ ಸಂಬಂಧಗಳಾಗಿವೆ.
  • ಒಂದು "ಹೋಪ್" (hop) ಎಂದರೆ ಎಡ್ಜ್ ಮೂಲಕ ಒಂದು ನೋಡ್‌ನಿಂದ ಇನ್ನೊಂದಕ್ಕೆ ಚಲಿಸುವುದು.

ಮಲ್ಟಿ-ಹೋಪ್ ರೀಸನಿಂಗ್ ಯಾವುದೇ ಒಂದೇ ದಾಖಲೆಯಲ್ಲಿ ಇಲ್ಲದ ಸಂಪರ್ಕಗಳನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತದೆ.

ಉದಾಹರಣೆ: ಬಳಕೆದಾರರು, "CSV ಅಪ್‌ಲೋಡ್ ದೋಷವನ್ನು ನಾನು ಹೇಗೆ ಸರಿಪಡಿಸುವುದು?" ಎಂದು ಕೇಳುತ್ತಾರೆ.

ಸ್ಟ್ಯಾಂಡರ್ಡ್ RAG ಕೀವರ್ಡ್‌ಗಳಿಗಾಗಿ ಹುಡುಕುತ್ತದೆ. ಇದು ಹಳೆಯ FAQ ಅಥವಾ ಯಾವುದೋ ಒಂದು ಬಗ್ ರಿಪೋರ್ಟ್ ಅನ್ನು ನೀಡಬಹುದು. ಇದು ವ್ಯವಹಾರದ ಸಂದರ್ಭವನ್ನು (business context) ಕಳೆದುಕೊಳ್ಳುತ್ತದೆ.

GraphRAG ನಿಖರವಾದ ಹಾದಿಯನ್ನು ಪತ್ತೆಹಚ್ಚುತ್ತದೆ: (User Bug Report) -> [CLONED_FROM] -> (Master Engineering Ticket) -> [HAS_RESOLUTION] -> (Patch Deployed).

ಇದು LLM ಗೆ ಕೇವಲ ಅಂದಾಜಿನ ಬದಲು ದೃಢೀಕರಿಸಿದ ಹಂತಗಳನ್ನು ನೀಡುತ್ತದೆ.

ನೀವು ಇದನ್ನು ಎರಡು ವಿಧಾನಗಳ ಮೂಲಕ ನಿಯಂತ್ರಿಸಬಹುದು:

  1. ಡೆಪ್ತ್ ಟ್ರಾವರ್ಸಲ್ (Depth Traversal) ನಿರ್ದಿಷ್ಟ ವಿವರಗಳನ್ನು ಆಳವಾಗಿ ತಿಳಿಯಲು ಇದನ್ನು ಬಳಸಿ. ಇದು ಮೂಲ ಕಾರಣದ ವಿಶ್ಲೇಷಣೆಗೆ (root-cause analysis) ಉಪಯುಕ್ತವಾಗಿದೆ. Cypher ನಲ್ಲಿ, ನೀವು ಹೋಪ್‌ಗಳ ವ್ಯಾಪ್ತಿಯನ್ನು ನಿಗದಿಪಡಿಸುತ್ತೀರಿ. ಒಂದು ಬಗ್‌ನ ಪುನರಾವರ್ತನೆಯ ಹಂತಗಳನ್ನು (reproduction steps) ಕಂಡುಹಿಡಿಯಲು ಕ್ವೆರಿಯು 1 ರಿಂದ 5 ಪದರಗಳಷ್ಟು ಆಳವಾಗಿ ನೋಡಬಹುದು.

  2. ಬ್ರೆಡ್ತ್ ಟ್ರಾವರ್ಸಲ್ (Breadth Traversal) ಇಡೀ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯನ್ನು (ecosystem) ನೋಡಲು ಇದನ್ನು ಬಳಸಿ. ಇದು ಎಲ್ಲಾ ತಕ್ಷಣದ ಸಂಪರ್ಕಗಳನ್ನು ನೋಡಲು ಸಮತಲವಾಗಿ ವಿಸ್ತರಿಸುತ್ತದೆ. ಇದು ಒಂದೇ ಉತ್ಪನ್ನದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತಿರುವ ಪ್ರತಿಯೊಂದು ಸಪೋರ್ಟ್ ಟಿಕೆಟ್ ಅನ್ನು ಏಕಕಾಲದಲ್ಲಿ ನೋಡಲು ನಿಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಸುಧಾರಿತ AI ಅನ್ನು ನಿರ್ಮಿಸಲು, ಈ ಕ್ವೆರಿಗಳನ್ನು ಹಾರ್ಡ್-ಕೋಡ್ ಮಾಡಬೇಡಿ. ಮಲ್ಟಿ-ಏಜೆಂಟ್ ಸಿಸ್ಟಮ್ ಅನ್ನು ಬಳಸಿ:

  • ದ ಕೋಆರ್ಡಿನೇಟರ್ ಏಜೆಂಟ್ (The Coordinator Agent): ಈ ಏಜೆಂಟ್ ಕ್ವೆರಿಯನ್ನು ಯೋಜಿಸುತ್ತದೆ. ಪ್ರಶ್ನೆಗೆ ಬ್ರೆಡ್ತ್ ಅಥವಾ ಡೆಪ್ತ್ ಅಗತ್ಯವಿದೆಯೇ ಎಂದು ಇದು ನಿರ್ಧರಿಸುತ್ತದೆ. ಇದು ಬಳಕೆದಾರರ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಗ್ರಾಫ್ ಕ್ವೆರಿಯೊಂದಿಗಿನ ಗಣಿತದ ಪ್ಯಾರಾಮೀಟರ್ ಆಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ.
  • ದ ರಿಕರ್ಸಿವ್ ರಿಟ್ರಿವಲ್ ಏಜೆಂಟ್ (The Recursive Retrieval Agent): ಡೇಟಾಬೇಸ್ ನೋಡ್‌ಗಳನ್ನು ಕಂಡುಕೊಂಡಂತೆ ಈ ಏಜೆಂಟ್ ಅವುಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ. LLM ಅದನ್ನು ನೋಡುವ ಮೊದಲು ಇದು ಪ್ರಮುಖ ಡೇಟಾವನ್ನು ಉಳಿಸುತ್ತದೆ ಮತ್ತು ಅನಗತ್ಯ ಮಾಹಿತಿಯನ್ನು (noise) ತೆಗೆದುಹಾಕುತ್ತದೆ.

ಈ ಆರ್ಕಿಟೆಕ್ಚರ್ ತನಿಖೆಯನ್ನು ವಿಸ್ತರಿಸಬಲ್ಲ ವ್ಯವಸ್ಥೆಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ. ವೆಕ್ಟರ್ ಸರ್ಚ್ ನೀಡಲಾಗದ ಸಂಪೂರ್ಣ ಉತ್ತರಗಳನ್ನು ನೀವು ಪಡೆಯುತ್ತೀರಿ.

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

ಐಚ್ಛಿಕ ಕಲಿಕಾ ಸಮುದಾಯ: https://t.me/GyaanSetuAi