数据已经是现代组织的命脉，而企业理解其数据的能力更是无价的。知识图谱作为机构组织的集体“常识”，使企业能够深入了解其数据。他们通过从数据之间存在的关系和背景中得出见解来做到这一点。这种增强的理解使企业能够做出更明智、更一致的决策，从而推动积极的业务成果。
现在，进入检索增强生成（RAG）。简而言之，RAG是一个优化大型语言模型（LLM）输出的过程，使其提供更准确、可靠的信息。当RAG被知识图增强（称为GraphRAG）时，它显著提高了LLM的准确性和长期推理能力。
GraphRAG仍处于起步阶段，但有充分的理由相信它可以将LLM精度提高三倍。GraphRAG即将迎来生成人工智能的下一个时代，并最终将引领我们走向神经符号人工智能，即人工智能技术的“圣杯”。
让我们仔细看看这项技术巨大潜力。
利用知识图解决RAG的局限性，知识图以两种关键方式解决了与RAG相关的局限性。
首先，它们通过链接不同文档中存在的信息片段，为原始文本数据添加了更多的结构。其次，知识图谱使用更好的搜索策略来检索最相关的信息。这提高了LLM的准确性，减少了幻觉发生的机会。
GraphRAG的演变可以比作从最早的网络搜索引擎之一AltaVista到谷歌的过渡。AltaVista仅基于关键字进行网络检索，这很有用，但只是略微有用。当谷歌基于关键字和PageRank检索结果时，它彻底改变了搜索，PageRank考虑了每个网页相对于搜索关键字的重要性和相关性。这基本上就是GraphRAG所做的：遍历信息图，并使用上下文提供最相关、最准确的答案。
用GraphRAG回答高度复杂的问题
GraphRAG可以回答令人难以置信的复杂、抽象的问题，这些问题起初可能与未经训练的眼睛几乎没有联系。以下是一些示例：
问：在希腊神话中，哪两家航空公司是表亲？
答：赫利俄斯和阿特拉斯。
没有一份文件可以回答这个问题，也就是说，在谷歌或书中找不到答案。相反，GraphRAG必须连接不同数据源之间的点来推理答案。它首先确定哪些航空公司以希腊神话中的人物命名，然后检查赫利俄斯和阿特拉斯的家谱，以确认它们之间的关系。
问：微软的销售额对卢旺达的疟疾病例数量有何影响？
答：随着微软销售额的增长，卢旺达的疟疾病例随着时间的推移而减少。
同样，没有具体的文档明确回答这个问题。GraphRAG认为，当微软的销售额增加时，比尔及梅琳达·盖茨基金会会向疟疾研究和治疗投入更多资金，从而减少卢旺达的疟疾病例。
使用GraphRAG克服业务挑战
虽然前面的例子对于说明GraphRAG令人难以置信的推理能力来说非常抽象，但下面的例子说明了企业在提出LLM供应链问题时可能会遇到的一个更合理的情况。
一家家居装修公司担心亚利桑那州的火灾可能会影响他们的运营。他们提出了以下问题：
从亚利桑那州运来的库存低的流行商品是什么？
如果来自亚利桑那州的一些商品缺货，还有哪些其他产品受到影响？
虽然关于这些组件中的每一个的信息（供应商、销售、工具、库存、发货地点等）都存在于某个地方，但这些数据源没有连接，很难手动追踪。因此，要回答这些看似简单的供应链问题，GraphRAG需要找出最准确、最及时的答案，考虑到每个因素及其相互关系。
展望未来：GraphRAG的主要优势和考虑因素
如前所述，GraphRAG的主要优势在于其显著提高LLM准确性和长期推理能力的能力。这一点至关重要，因为更准确的LLM可以自动化日益复杂和微妙的任务，并提供有助于更好决策的见解。
此外，性能更高的LLM可以应用于更广泛的用例，包括那些需要非常高精度的敏感行业，如医疗保健和金融。话虽如此，随着GraphRAG的进步，人工监督是必要的。至关重要的是，该技术产生的每个答案或信息都是可验证的，必要时可以通过图表手动追溯其推理过程。
在当今世界，成功取决于企业理解和正确利用其数据的能力。但大多数组织都沉浸在数十万张数据表中，对实际发生的事情知之甚少。如果不加以解决，这可能会导致决策失误和技术债务。
知识图谱对于帮助企业理解其数据至关重要，当与RAG结合使用时，可能性是无限的。GraphRAG正在推动下一波生成式人工智能，了解这一点的组织将处于创新的前沿。
热门跟贴