RAG tradicional vs. RAG gráfico, claramente explicado (com recursos visuais):

A recuperação top-k em RAG raramente funciona. Imagine que você queira resumir uma biografia em que cada capítulo detalha uma realização específica de um indivíduo. O RAG tradicional tem dificuldades porque recupera apenas partes top-k enquanto precisa de todo o contexto.

O Graph RAG resolve isso ao: - Construindo um gráfico com entidades e relacionamentos a partir de documentos. - Percorrendo o gráfico para recuperação de contexto. - Enviar todo o contexto ao LLM para uma resposta. O visual mostra como é diferente do RAG ingênuo:

Vamos ver como o Graph RAG resolve o problema acima. Primeiro, um sistema (normalmente um LLM) criará um gráfico a partir de documentos. Este gráfico terá um subgráfico para a pessoa (P) em que cada realização está a um salto de distância do nó da entidade de P.

Durante o resumo, o sistema pode fazer uma travessia de gráfico para buscar todo o contexto relevante relacionado às realizações de P.

Todo o contexto ajudará o LLM a produzir uma resposta completa, enquanto o RAG ingênuo não. Os sistemas RAG gráficos também são melhores do que os sistemas RAG ingênuos porque os LLMs são inerentemente adeptos do raciocínio com dados estruturados.

Espero que isso esclareça o que é o Graph RAG e os problemas que ele pode resolver! Vou deixar você com uma representação visual de como funciona em comparação com o RAG tradicional.

Se você achou perspicaz, compartilhe novamente com sua rede. Encontre-me → @akshay_pachaar ✔️ Para obter mais insights e tutoriais sobre LLMs, agentes de IA e aprendizado de máquina!