RAG tradicional vs. RAG de gráficos, explicado claramente (con visuales):

la recuperación top-k en RAG rara vez funciona. Imagina que quieres resumir una biografía donde cada capítulo detalla un logro específico de un individuo. El RAG tradicional tiene dificultades porque solo recupera los mejores k fragmentos mientras que necesita todo el contexto.

Graph RAG resuelve esto al: - Construir un grafo con entidades y relaciones a partir de documentos. - Recorrer el grafo para la recuperación de contexto. - Enviar todo el contexto al LLM para una respuesta. La visualización muestra cómo es diferente del RAG ingenuo:

Veamos cómo Graph RAG resuelve el problema anterior. Primero, un sistema (típicamente un LLM) creará un grafo a partir de documentos. Este grafo tendrá un subgrafo para la persona (P) donde cada logro está a un salto de distancia del nodo de entidad de P.

Durante la resumición, el sistema puede realizar un recorrido gráfico para obtener todo el contexto relevante relacionado con los logros de P.

Todo el contexto ayudará al LLM a producir una respuesta completa, mientras que el RAG ingenuo no lo hará. Los sistemas Graph RAG también son mejores que los sistemas RAG ingenuos porque los LLM son inherentemente hábiles para razonar con datos estructurados.

¡Espero que esto aclare qué es Graph RAG y los problemas que puede resolver! Te dejaré con una representación visual de cómo funciona en comparación con el RAG tradicional.

Si te ha resultado interesante, vuelve a compartirlo con tu red. Encuéntrame → @akshay_pachaar ✔️ Para obtener más información y tutoriales sobre LLM, agentes de IA y aprendizaje automático.