従来のRAGとグラフRAGの説明(ビジュアル付き):

RAG での top-k 検索はめったに機能しません。 各章で個人の特定の業績を詳述した伝記を要約したいと想像してください。 従来のRAGは、コンテキスト全体を必要とするのに、上位kのチャンクのみを取得するため、苦戦しています。

Graph RAG は、次の方法でこれを解決します。 - ドキュメントからエンティティと関係を使用してグラフを構築します。 - コンテキスト検索のためのグラフのトラバース。 - 応答のためにコンテキスト全体を LLM に送信します。 ビジュアルは、ナイーブRAGとの違いを示しています。

Graph RAGが上記の問題をどのように解決するかを見てみましょう。 まず、システム (通常は LLM) がドキュメントからグラフを作成します。 このグラフには、各実績が P のエンティティ ノードから 1 ホップ離れた人物 (P) のサブグラフがあります。

要約中に、システムはグラフ トラバーサルを実行して、P の成果に関連するすべての関連コンテキストをフェッチできます。

コンテキスト全体は、LLM が完全な答えを生成するのに役立ちますが、ナイーブ RAG はそうではありません。 グラフ RAG システムは、LLM が本質的に構造化データを使用した推論に長けているため、ナイーブ RAG システムよりも優れています。

これでGraph RAGとは何か、そしてそれが解決できる問題が明確になることを願っています! 従来の RAG と比較してどのように機能するかを視覚的に表現しておきます。

洞察力に富んだものを見つけた場合は、ネットワークと再共有してください。 お探し→ @akshay_pachaar ✔️ LLM、AIエージェント、機械学習に関するその他の洞察とチュートリアルについては、こちらをご覧ください。