RAG traditionnel vs. RAG graphique, clairement expliqué (avec visuels) :

la récupération top-k dans RAG fonctionne rarement. Imaginez que vous souhaitiez résumer une biographie où chaque chapitre détaille un accomplissement spécifique d'un individu. Le RAG traditionnel a des difficultés car il ne récupère que les meilleurs k morceaux alors qu'il a besoin de l'ensemble du contexte.

Graph RAG résout cela en : - Construisant un graphique avec des entités et des relations à partir des documents. - Parcourant le graphique pour la récupération de contexte. - Envoyant l'ensemble du contexte au LLM pour une réponse. La visualisation montre en quoi cela diffère du RAG naïf :

Voyons comment Graph RAG résout le problème ci-dessus. Tout d'abord, un système (généralement un LLM) va créer un graphique à partir de documents. Ce graphique aura un sous-graphe pour la personne (P) où chaque accomplissement est à un saut du nœud d'entité de P.

Lors de la synthèse, le système peut effectuer un parcours de graphe pour récupérer tout le contexte pertinent lié aux réalisations de P.

Le contexte entier aidera le LLM à produire une réponse complète, tandis que le RAG naïf ne le fera pas. Les systèmes Graph RAG sont également meilleurs que les systèmes RAG naïfs car les LLM sont intrinsèquement doués pour raisonner avec des données structurées.

J'espère que cela clarifie ce qu'est Graph RAG et les problèmes qu'il peut résoudre ! Je vous laisse avec une représentation visuelle de son fonctionnement par rapport au RAG traditionnel.

Si vous l’avez trouvé perspicace, partagez-le à nouveau avec votre réseau. Trouvez-moi → @akshay_pachaar ✔️ Pour plus d’informations et de tutoriels sur les LLM, les agents d’IA et l’apprentissage automatique !