Pojmovnik

LazyGraphRAG

Što je LazyGraphRAG?

LazyGraphRAG je pristup generiranju potpomognutom dohvaćanjem temeljenom na grafovima koji je 2024. predstavio Microsoft Research. Za razliku od GraphRAG-a, ne traži od jezičnog modela da pri indeksiranju izrađuje sažetke; umjesto toga pojmove i njihova zajednička pojavljivanja prepoznaje klasičnom obradom prirodnog jezika, a jezični se model koristi tek u trenutku upita. Prema Microsoftu to snižava troškove indeksiranja na razinu osnovnog vektorskog RAG-a. Posebno je prikladan za pitanja koja zahtijevaju pregled velikih zbirki dokumenata.

Teme

RAG
Graf znanja
Retrieval

Isprobajte KI.ordo

Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.

Pokrenite demo

← Svi pojmovi

Srodni pojmovi

Generiranje potpomognuto dohvaćanjem (RAG)

Generiranje potpomognuto dohvaćanjem povezuje pretraživanje i generiranje teksta: prije odgovaranja sustav u zbirci znanja – primjerice priručnicima, pravilnicima ili čestim pitanjima – traži relevantne odlomke i prosljeđuje ih jezičnom modelu kao kontekst. Odgovor se tako temelji na aktualnom sadržaju specifičnom za tvrtku, a ne samo na znanju stečenom treniranjem modela. To smanjuje izmišljene tvrdnje, omogućuje praćenje izvora i dopušta ažuriranja bez ponovnog treniranja.

RAG
pretraživanje znanja
+1

Višekoračno zaključivanje (multi-hop)

Višekoračno zaključivanje sposobnost je UI sustava da odgovori na pitanje kroz nekoliko uzastopnih zaključaka, često kombinirajući informacije iz različitih izvora. Primjer: „Koji odjel vodi osoba odgovorna za projekt X?“ najprije zahtijeva utvrđivanje odgovorne osobe, a zatim njezina odjela. Takva su pitanja zahtjevna za sustave pretraživanja i RAG jer se svaki međukorak mora pronaći i ispravno povezati.

zaključivanje
odgovaranje na pitanja
+1

Dohvaćanje informacija (information retrieval)

Dohvaćanje informacija (information retrieval) obuhvaća metode koje u velikom korpusu teksta pronalaze dokumente ili odlomke koji odgovaraju upitu i rangiraju ih prema relevantnosti. Klasični pristupi poput BM25 ponderiraju pojmove pretrage prema tome koliko se često i koliko rijetko pojavljuju; noviji dodaju semantičku sličnost. Temelj je tražilica, pretraživanja unutar poduzeća i generiranja potpomognutog dohvaćanjem, u kojem jezični model dohvaćene odlomke koristi kao osnovu za svoj odgovor.

Pretraživanje
BM25
+1

Cjevovod dohvaćanja (retrieval pipeline)

Cjevovod dohvaćanja niz je koraka obrade kojima sustav pronalazi prave informacije za neko pitanje. Tipični koraci su: preuzimanje i čišćenje dokumenata, njihovo dijeljenje na odlomke (chunkove), izgradnja indeksa za pretraživanje, po potrebi preoblikovanje upita, dohvaćanje pogodaka, njihovo rangiranje (reranking) i prosljeđivanje najboljih jezičnom modelu. To je temelj svake RAG aplikacije, a njegova kvaliteta uvelike određuje koliko će dobri biti dobiveni odgovori.

RAG
pretraga
+1