Речник

LazyGraphRAG

Какво е LazyGraphRAG?

LazyGraphRAG е подход към базирания на графи retrieval-augmented generation, представен от Microsoft Research през 2024 г. За разлика от GraphRAG, той не кара езиков модел да създава резюмета по време на индексирането; вместо това определя понятията и съвместната им поява чрез класическа обработка на естествен език, а езиковият модел се използва само по време на заявката. Според Microsoft така разходите за индексиране падат до нивото на обикновения векторен RAG. Подходът е особено подходящ за въпроси, които изискват общ преглед на големи колекции от документи.

Теми

RAG
Граф на знанията
Retrieval

Изпробвайте KI.ordo

Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.

Стартирайте демото

← Всички термини

Свързани термини

Генериране, допълнено с извличане (RAG)

Генерирането, допълнено с извличане (Retrieval-augmented generation), съчетава търсене с генериране на текст: преди да отговори, системата търси в колекция от знания – например ръководства, правилници или често задавани въпроси – подходящи пасажи и ги подава на езиковия модел като контекст. Така отговорът се основава на актуално съдържание, специфично за компанията, а не само на знанията от обучението на модела. Това намалява измислените твърдения, прави източниците проследими и позволява актуализации без повторно обучение.

RAG
търсене в знанията
+1

Разсъждение на няколко стъпки (multi-hop)

Разсъждението на няколко стъпки (multi-hop) е способността на дадена система с ИИ да отговори на въпрос чрез няколко последователни извода, като често съчетава информация от различни източници. Пример: „Кой отдел се ръководи от човека, отговорен за проект X?“ изисква първо да се установи отговорното лице, а след това неговият отдел. Такива въпроси са предизвикателство за системите за търсене и RAG, защото всяка междинна стъпка трябва да бъде намерена и свързана правилно.

разсъждение
отговаряне на въпроси
+1

Извличане на информация (information retrieval)

Извличането на информация (information retrieval) обхваща методи за намиране на документите или откъсите в голям обем текст, които съответстват на дадена заявка, и за подреждането им по релевантност. Класически подходи като BM25 претеглят термините за търсене според това колко често и колко рядко се срещат; по-новите добавят семантично сходство. То е в основата на търсачките, корпоративното търсене и retrieval-augmented generation, при което езиков модел използва извлечените откъси като основа за отговора си.

Търсене
BM25
+1

Конвейер за извличане

Конвейерът за извличане (retrieval pipeline) е последователността от стъпки на обработка, с която една система намира правилната информация за даден въпрос. Типични стъпки са: приемане и почистване на документите, разделянето им на части (chunks), изграждане на индекс за търсене, при желание преформулиране на заявката, извличане на съвпаденията, подреждането им (reranking) и подаване на най-добрите към езиковия модел. Той е основата на всяко RAG приложение и качеството му до голяма степен определя колко добри ще бъдат получените отговори.

RAG
търсене
+1