Çok Adımlı (Multi-Hop) Akıl Yürütmeyi Anlamak

Vektör veritabanları semantik arama için işe yarar. Ancak insanlar, sistemler ve olaylar arasındaki çok adımlı akıl yürütme konusunda zorlanırlar.

Standart RAG, metin parçalarını matematiksel temellere dayanarak getirir. Veri noktaları arasındaki bağlantıları kaçırır. GraphRAG bunu çözer. Büyük Dil Modellerini (LLM) canlı bir bilgi grafiğine bağlar.

Metin Özellikli Bir Grafik (Text-Attributed Graph), düğümler (nodes) ve kenarlar (edges) kullanır.

  • Düğümler; kullanıcılar veya ürünler gibi varlıklardır.
  • Kenarlar; "IMPACTS" veya "CLONED_FROM" gibi ilişkilerdir.
  • Bir "hop" (adım), bir kenar aracılığıyla bir düğümden diğerine geçmektir.

Çok adımlı akıl yürütme, tek bir belgenin içermediği bağlantıları bulur.

Örnek: Bir kullanıcı, "CSV yükleme hatasını nasıl düzeltebilirim?" diye sorar.

Standart RAG anahtar kelimeleri arar. Eski bir SSS (FAQ) veya rastgele bir hata raporu döndürebilir. İş bağlamını kaçırır.

GraphRAG tam yolu izler: (Kullanıcı Hata Raporu) -> [CLONED_FROM] -> (Ana Mühendislik Bileti) -> [HAS_RESOLUTION] -> (Yama Dağıtıldı).

Bu, LLM'e tahmini bir bilgi yerine doğrulanmış adımlar sunar.

Bunu iki yöntemle kontrol edebilirsiniz:

  1. Derinlik Taraması (Depth Traversal) Bunu belirli ayrıntılara inmek için kullanın. Kök neden analizi için kullanışlıdır. Cypher'da bir "hop" aralığı belirlersiniz. Bir sorgu, bir hatanın yeniden üretme adımlarını bulmak için 1 ila 5 katman derinliğe bakabilir.

  2. Genişlik Taraması (Breadth Traversal) Bunu tüm ekosistemi görmek için kullanın. Tüm doğrudan bağlantıları görmek için yatay olarak genişler. Bu, tek bir ürünü etkileyen tüm destek biletlerini aynı anda görmenize yardımcı olur.

Gelişmiş yapay zeka inşa etmek için bu sorguları kodun içine gömmeyin (hard-code). Çoklu ajanlı (multi-agent) bir sistem kullanın:

  • Koordinatör Ajan (Coordinator Agent): Bu ajan sorguyu planlar. Sorunun genişlik mi yoksa derinlik mi gerektirdiğine karar verir. Kullanıcı istemini (prompt), grafik sorgusu için matematiksel bir parametreye dönüştürür.
  • Özyinelemeli Getirme Ajanı (Recursive Retrieval Agent): Bu ajan, veritabanı düğümleri buldukça onları değerlendirir. Önemli verileri tutar ve LLM görmeden önce gürültüyü (noise) temizler.

Bu mimari, incelemelerini ölçeklendirebilen sistemler inşa eder. Vektör aramasının sağlayamayacağı eksiksiz yanıtlar alırsınız.

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

İsteğe bağlı öğrenme topluluğu: https://t.me/GyaanSetuAi