Традиційний RAG проти Graph RAG, чітке пояснення (з візуальними зображеннями):

Пошук top-k в RAG спрацьовує рідко. Уявіть, що ви хочете узагальнити біографію, де кожен розділ детально описує конкретне досягнення людини. Традиційний RAG зазнає труднощів, тому що він отримує лише фрагменти top-k, тоді як йому потрібен увесь контекст.

Graph RAG вирішує це за допомогою: - Побудова графіка з сутностями та зв'язками з документів. - Обхід графа для пошуку контексту. - Надсилання всього контексту до LLM для відповіді. На малюнку видно, чим він відрізняється від наївного RAG:

Давайте подивимося, як Graph RAG вирішує вищезазначену проблему. Спочатку система (зазвичай LLM) створить графік із документів. Цей графік матиме підграф для особи (P), де кожне досягнення знаходиться на відстані одного стрибка від вузла сутності P.

Під час підсумовування система може виконувати обхід графа, щоб отримати весь відповідний контекст, пов'язаний з досягненнями P.

Весь контекст допоможе LLM видати повну відповідь, тоді як наївний RAG – ні. Graph RAG системи також кращі за наївні системи RAG, оскільки LLM за своєю природою вправні в міркуванні зі структурованими даними.

Сподіваюся, це прояснить, що таке Graph RAG і які проблеми він може вирішити! Я залишу вам візуальне уявлення про те, як це працює в порівнянні з традиційним RAG.

Якщо ви вважаєте її корисною, надішліть запит у свою мережу. Знайди мене → @akshay_pachaar ✔️ Щоб отримати більше інформації та навчальних посібників про LLM, агентів штучного інтелекту та машинне навчання!