RAG التقليدي مقابل Graph RAG ، موضح بوضوح (مع المرئيات):

نادرا ما يعمل استرجاع top-k في RAG. تخيل أنك تريد تلخيص سيرة ذاتية حيث يفصل كل فصل إنجازا محددا للفرد. يكافح RAG التقليدي لأنه يسترد فقط أجزاء top-k بينما يحتاج إلى السياق بأكمله.

يحل Graph RAG هذه المشكلة من خلال: - إنشاء رسم بياني مع الكيانات والعلاقات من المستندات. - اجتياز الرسم البياني لاسترجاع السياق. - إرسال السياق بالكامل إلى LLM للرد. يوضح المظهر المرئي كيف يختلف عن RAG الساذج:

دعونا نرى كيف يحل Graph RAG المشكلة المذكورة أعلاه. أولا ، سيقوم النظام (عادة LLM) بإنشاء رسم بياني من المستندات. سيحتوي هذا الرسم البياني على رسم بياني فرعي للشخص (P) حيث يكون كل إنجاز على بعد قفزة واحدة من عقدة الكيان P.

أثناء التلخيص ، يمكن للنظام إجراء اجتياز رسم بياني لجلب جميع السياقات ذات الصلة المتعلقة بإنجازات P.

سيساعد السياق بأكمله LLM على إنتاج إجابة كاملة ، في حين أن RAG الساذج لن يفعل ذلك. تعد أنظمة Graph RAG أيضا أفضل من أنظمة RAG الساذجة لأن LLMs بارعة بطبيعتها في التفكير في البيانات المنظمة.

آمل أن يوضح هذا ماهية Graph RAG والمشكلات التي يمكن أن يحلها! سأتركك مع تمثيل مرئي لكيفية عمله مقارنة ب RAG التقليدي.

إذا وجدت أنها ثاقبة ، فأعد مشاركتها مع شبكتك. تجدني → @akshay_pachaar ✔️ لمزيد من الأفكار والبرامج التعليمية حول LLMs ووكلاء الذكاء الاصطناعي والتعلم الآلي!