RAG tradițional vs. Graph RAG, explicat clar (cu imagini):

recuperarea top-k în RAG funcționează rar. Imaginați-vă că doriți să rezumați o biografie în care fiecare capitol detaliază o realizare specifică a unui individ. RAG tradițional se luptă pentru că recuperează doar bucăți de top în timp ce are nevoie de întregul context.

Graph RAG rezolvă acest lucru prin: - Construirea unui grafic cu entități și relații din documente. - Traversarea graficului pentru recuperarea contextului. - Trimiterea întregului context către LLM pentru un răspuns. Imaginea arată cât de diferit este de NAIV RAG:

Să vedem cum Graph RAG rezolvă problema de mai sus. În primul rând, un sistem (de obicei un LLM) va crea un grafic din documente. Acest graf va avea un subgraf pentru persoana (P) în care fiecare realizare este la un salt distanță de nodul entității al lui P.

În timpul rezumării, sistemul poate face o traversare a graficului pentru a prelua tot contextul relevant legat de realizările lui P.

Întregul context va ajuta LLM să producă un răspuns complet, în timp ce RAG naiv nu o va face. Sistemele RAG grafice sunt, de asemenea, mai bune decât sistemele RAG naive, deoarece LLM-urile sunt în mod inerent experte în raționamentul cu date structurate.

Sper că acest lucru clarifică ce este Graph RAG și problemele pe care le poate rezolva! Vă las cu o reprezentare vizuală a modului în care funcționează în comparație cu RAG tradițional.

Dacă ți s-a părut util, redistribui cu rețeaua ta. Găsește-mă → @akshay_pachaar ✔️ Pentru mai multe informații și tutoriale despre LLM-uri, agenți AI și învățare automată!