Fogalomtár

LazyGraphRAG

Mi a(z) LazyGraphRAG?

A LazyGraphRAG a gráfalapú visszakeresésalapú generálás egyik megközelítése, amelyet a Microsoft Research mutatott be 2024-ben. A GraphRAG-gal ellentétben nem hagyja, hogy egy nyelvi modell összefoglalókat készítsen az indexelés során; ehelyett klasszikus természetesnyelv-feldolgozással azonosítja a fogalmakat és együttes előfordulásukat, a nyelvi modellt pedig csak a lekérdezés idején használja. A Microsoft szerint ez az indexelési költségeket az alap vektoros RAG szintjére csökkenti. Különösen alkalmas olyan kérdésekre, amelyek nagy dokumentumgyűjtemények áttekintését igénylik.

Témák

RAG
tudásgráf
Retrieval

Próbálja ki a KI.ordót

Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.

Demó indítása

← Minden fogalom

Kapcsolódó fogalmak

Visszakeresésalapú generálás (RAG)

A visszakeresésalapú generálás a keresést a szöveggeneráláshoz kapcsolja: a válasz előtt a rendszer egy tudásgyűjteményben – például kézikönyvekben, irányelvekben vagy GYIK-ekben – releváns részleteket keres, és ezeket kontextusként átadja a nyelvi modellnek. A válasz így naprakész, vállalatspecifikus tartalmakon alapul, nem csak a modell tanítási tudásán. Ez csökkenti a kitalált állításokat, nyomon követhetővé teszi a forrásokat, és újratanítás nélküli frissítést tesz lehetővé.

RAG
tudáskeresés
+1

Többlépéses következtetés

A többlépéses következtetés (multi-hop reasoning) az MI-rendszer azon képessége, hogy egy kérdést több egymást követő következtetéssel válaszoljon meg, gyakran különböző forrásokból származó információkat egyesítve. Példa: a „Melyik részleget vezeti az X projekt felelőse?” kérdés először a felelős személy, majd az ő részlegének azonosítását igényli. Az ilyen kérdések a keresőrendszerek és a RAG-rendszerek számára nehezek, mert minden köztes lépést helyesen kell megtalálni és összekapcsolni.

következtetés
kérdés-felelet
+1

Információkeresés

Az információkeresés (information retrieval) azokat a módszereket foglalja magában, amelyek egy nagy szövegállományban megtalálják a lekérdezésnek megfelelő dokumentumokat vagy szövegrészleteket, és relevancia szerint rangsorolják őket. A klasszikus megközelítések, például a BM25, a keresőszavakat aszerint súlyozzák, milyen gyakran és milyen ritkán fordulnak elő; az újabbak szemantikus hasonlóságot is bevonnak. Ez áll a keresőmotorok, a vállalati keresés és a visszakeresésalapú generálás mögött, amelyben egy nyelvi modell a visszakeresett részleteket használja válasza alapjául.

Keresés
BM25
+1

Visszakeresési folyamat (retrieval pipeline)

A visszakeresési folyamat azoknak a feldolgozási lépéseknek a sorozata, amelyekkel a rendszer egy kérdéshez megtalálja a megfelelő információt. Tipikus lépések: a dokumentumok beolvasása és megtisztítása, darabokra (chunk) bontása, keresési index építése, adott esetben a lekérdezés átfogalmazása, a találatok lekérése, rangsorolása (reranking), majd a legjobbak átadása a nyelvi modellnek. Ez minden RAG-alkalmazás alapja, és minősége nagyban meghatározza, mennyire jók lesznek a válaszok.

RAG
keresés
+1