Słownik pojęć

LazyGraphRAG

Czym jest LazyGraphRAG?

LazyGraphRAG to podejście do generowania wspomaganego wyszukiwaniem opartego na grafach, przedstawione przez Microsoft Research w 2024 roku. W odróżnieniu od GraphRAG nie każe modelowi językowemu tworzyć streszczeń podczas indeksowania; zamiast tego identyfikuje pojęcia i ich współwystępowanie za pomocą klasycznego przetwarzania języka naturalnego, a model językowy jest używany dopiero w momencie zapytania. Według Microsoftu obniża to koszty indeksowania do poziomu podstawowego wektorowego RAG. Szczególnie nadaje się do pytań wymagających przeglądu dużych zbiorów dokumentów.

Tematy

RAG
graf wiedzy
Retrieval

Wypróbuj KI.ordo

Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.

Uruchom demo

← Wszystkie pojęcia

Powiązane pojęcia

Generowanie wspomagane wyszukiwaniem (RAG)

Generowanie wspomagane wyszukiwaniem łączy wyszukiwanie z generowaniem tekstu: przed udzieleniem odpowiedzi system przeszukuje zbiór wiedzy – na przykład instrukcje, regulaminy wewnętrzne lub FAQ – w poszukiwaniu istotnych fragmentów i przekazuje je modelowi językowemu jako kontekst. Odpowiedź opiera się więc na aktualnych treściach specyficznych dla firmy, a nie wyłącznie na wiedzy treningowej modelu. Ogranicza to zmyślone stwierdzenia, umożliwia prześledzenie źródeł i pozwala na aktualizacje bez ponownego trenowania.

RAG
wyszukiwanie wiedzy
+1

Rozumowanie wieloetapowe

Rozumowanie wieloetapowe to zdolność systemu AI do udzielenia odpowiedzi na pytanie poprzez kilka następujących po sobie wnioskowań, często łącząc informacje z różnych źródeł. Przykład: pytanie „Którym działem kieruje osoba odpowiedzialna za projekt X?” wymaga najpierw ustalenia osoby odpowiedzialnej, a potem jej działu. Takie pytania są wymagające dla systemów wyszukiwania i RAG, ponieważ każdy krok pośredni musi zostać poprawnie znaleziony i powiązany.

rozumowanie
odpowiadanie na pytania
+1

Wyszukiwanie informacji (information retrieval)

Wyszukiwanie informacji (information retrieval) obejmuje metody znajdowania w dużym zbiorze tekstów dokumentów lub fragmentów pasujących do zapytania i porządkowania ich według trafności. Klasyczne podejścia, takie jak BM25, ważą szukane terminy według tego, jak często i jak rzadko występują; nowsze dodają podobieństwo semantyczne. Stanowi podstawę wyszukiwarek, wyszukiwania korporacyjnego i generowania wspomaganego wyszukiwaniem, w którym model językowy wykorzystuje znalezione fragmenty jako podstawę odpowiedzi.

Wyszukiwanie
BM25
+1

Potok wyszukiwania (retrieval pipeline)

Potok wyszukiwania to sekwencja kroków przetwarzania, za pomocą których system znajduje właściwe informacje do pytania. Typowe kroki to: pobieranie i czyszczenie dokumentów, dzielenie ich na fragmenty (chunki), budowa indeksu wyszukiwania, ewentualnie przeformułowanie zapytania, pobranie dopasowań, ich uszeregowanie (reranking) i przekazanie najlepszych modelowi językowemu. Jest fundamentem każdej aplikacji RAG, a jego jakość w dużej mierze decyduje o tym, jak dobre są uzyskiwane odpowiedzi.

RAG
wyszukiwanie
+1