RAG tradisional vs. RAG grafik, dijelaskan dengan jelas (dengan visual):

pengambilan top-k di RAG jarang berhasil. Bayangkan Anda ingin meringkas biografi di mana setiap bab merinci pencapaian tertentu dari seseorang. RAG tradisional berjuang karena hanya mengambil potongan top-k sementara membutuhkan seluruh konteks.

Graph RAG memecahkannya dengan: - Membuat grafik dengan entitas dan hubungan dari dokumen. - Melintasi grafik untuk pengambilan konteks. - Mengirim seluruh konteks ke LLM untuk respons. Visual menunjukkan perbedaannya dengan RUG yang naif:

Mari kita lihat bagaimana Graph RAG memecahkan masalah di atas. Pertama, sistem (biasanya LLM) akan membuat grafik dari dokumen. Grafik ini akan memiliki subgraf untuk orang (P) di mana setiap pencapaian berjarak satu lompatan dari simpul entitas P.

Selama peringkasan, sistem dapat melakukan lintasan grafik untuk mengambil semua konteks yang relevan yang terkait dengan pencapaian P.

Seluruh konteks akan membantu LLM menghasilkan jawaban yang lengkap, sementara RAG yang naif tidak. Sistem RAG grafik juga lebih baik daripada sistem RAG yang naif karena LLM secara inheren mahir dalam penalaran dengan data terstruktur.

Saya harap ini mengklarifikasi apa itu Graph RAG dan masalah yang dapat dipecahkannya! Saya akan meninggalkan Anda dengan representasi visual tentang cara kerjanya dibandingkan dengan RUG tradisional.

Jika Anda merasa berwawasan luas, bagikan kembali dengan jaringan Anda. Temukan saya → @akshay_pachaar ✔️ Untuk wawasan dan tutorial lebih lanjut tentang LLM, Agen AI, dan Pembelajaran Mesin!