RAG Tradicional vs. RAG Gráfico, claramente explicado (com visuais):

a recuperação top-k em RAG raramente funciona. Imagine que você quer resumir uma biografia onde cada capítulo detalha uma conquista específica de um indivíduo. O RAG tradicional tem dificuldades porque recupera apenas os principais k pedaços, enquanto precisa de todo o contexto.

O Graph RAG resolve isso ao: - Construir um grafo com entidades e relacionamentos a partir de documentos. - Percorrer o grafo para recuperação de contexto. - Enviar todo o contexto para o LLM para uma resposta. A visualização mostra como é diferente do RAG ingênuo:

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

Durante a sumarização, o sistema pode realizar uma travessia de grafo para buscar todo o contexto relevante relacionado às conquistas de P.

Todo o contexto ajudará o LLM a produzir uma resposta completa, enquanto o RAG ingênuo não o fará. Os sistemas Graph RAG também são melhores do que os sistemas RAG ingênuos porque os LLMs são inerentemente hábeis em raciocinar com dados estruturados.

Espero que isto esclareça o que é o Graph RAG e os problemas que pode resolver! Deixo-vos com uma representação visual de como funciona em comparação com o RAG tradicional.

Se você achou isso perspicaz, compartilhe novamente com sua rede. Encontre-me → @akshay_pachaar ✔️ Para mais informações e tutoriais sobre LLMs, AI Agents e Machine Learning!