Woordenlijst

LazyGraphRAG

Wat is LazyGraphRAG?

LazyGraphRAG is een benadering van graafgebaseerde retrieval-augmented generation die Microsoft Research in 2024 presenteerde. In tegenstelling tot GraphRAG laat het geen taalmodel samenvattingen maken tijdens het indexeren; het identificeert concepten en hun gezamenlijke voorkomen met klassieke natuurlijke taalverwerking, en het taalmodel wordt pas gebruikt op het moment van de zoekvraag. Volgens Microsoft brengt dit de indexeringskosten terug tot het niveau van eenvoudige vector-RAG. Het is vooral geschikt voor vragen die een overzicht van grote documentverzamelingen vereisen.

Onderwerpen

RAG
Kennisgraaf
Retrieval

KI.ordo uitproberen

Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.

Demo starten

← Alle begrippen

Verwante begrippen

Retrieval-augmented generation (RAG)

Retrieval-augmented generation combineert zoeken met tekstgeneratie: voordat het antwoordt, doorzoekt het systeem een kennisverzameling – zoals handleidingen, richtlijnen of veelgestelde vragen – op relevante passages en geeft die als context aan het taalmodel. Het antwoord is daardoor gebaseerd op actuele, bedrijfsspecifieke inhoud en niet alleen op de trainingskennis van het model. Dit vermindert verzonnen beweringen, maakt bronnen controleerbaar en maakt updates mogelijk zonder opnieuw te trainen.

RAG
kennis zoeken
+1

Multi-hop reasoning

Multi-hop reasoning is het vermogen van een AI-systeem om een vraag te beantwoorden via meerdere opeenvolgende gevolgtrekkingen, vaak door informatie uit verschillende bronnen te combineren. Voorbeeld: “Welke afdeling wordt geleid door de verantwoordelijke voor project X?” vraagt eerst om het vaststellen van de verantwoordelijke persoon en daarna van diens afdeling. Zulke vragen zijn veeleisend voor zoek- en RAG-systemen, omdat elke tussenstap correct gevonden en gekoppeld moet worden.

redeneren
vraagbeantwoording
+1

Information retrieval

Information retrieval omvat methoden waarmee in een grote hoeveelheid tekst de documenten of passages worden gevonden die bij een zoekvraag passen, en die op relevantie worden gerangschikt. Klassieke benaderingen zoals BM25 wegen zoektermen naar hoe vaak en hoe zelden ze voorkomen; nieuwere voegen semantische gelijkenis toe. Het vormt de basis van zoekmachines, enterprise search en retrieval-augmented generation, waarbij een taalmodel de opgehaalde passages als basis voor zijn antwoord gebruikt.

Zoeken
BM25
+1

Retrievalpipeline

Een retrievalpipeline is de reeks verwerkingsstappen waarmee een systeem de juiste informatie bij een vraag vindt. Typische stappen zijn: documenten inlezen en opschonen, opdelen in chunks, een zoekindex opbouwen, eventueel de zoekopdracht herschrijven, treffers ophalen, rangschikken (reranking) en de beste doorgeven aan het taalmodel. Het is de basis van elke RAG-toepassing, en de kwaliteit ervan bepaalt grotendeels hoe goed de resulterende antwoorden zijn.

RAG
zoeken
+1