نویسنده (ها): فلورین ژوئن
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
این داستان فقط عضو بر ما است. برای دسترسی به همه رسانه ها ارتقا دهید.
این مقاله بیست و یکم در این سری قانع کننده است. امروز ، ما سه موضوع جذاب را در AI کشف خواهیم کرد ، که عبارتند از:
KAG: کارآگاه درخشان که شواهد و مدارک را به دست می آورد و Dotalphamath را به هم وصل می کند: درخشش بینش های آلفاگو در LLM استنباط استدلال: بارگیری
تصاویر ویدیویی نفیس:
کد منبع باز: https://github.com/openspg/kag
KAG مانند یک کارآگاه هوشمند است که هم می تواند شواهد (نمودارهای دانش) را تجزیه و تحلیل کند و هم سرنخ ها (بازیابی متن) را ادغام کند.
هنگامی که با یک مورد پیچیده روبرو شد ، او در استدلال خود چندین رهبری را دنبال می کند ، اطلاعات بی ربط را از بین می برد و در نهایت حقیقت کامل را با هم جمع می کند. او می تواند به سرعت از طریق حوزه های حرفه ای مانند مراقبت های بهداشتی ، حل چالش ها و ارائه نتیجه گیری قانع کننده حرکت کند.
سیستم های RAG موجود با سه چالش اساسی روبرو هستند: آنها برای بازیابی ، به شدت به متن یا شباهت بردار متکی هستند ، فاقد استدلال منطقی کافی یا قابلیت های عددی هستند و به دانش حرفه ای گسترده ای احتیاج دارند.
KAG اثربخشی را بهبود می بخشد LLMS در زمینه های حرفه ای با ترکیب قدرت استدلال نمودارهای دانش با قابلیت های تولیدی LLMS.
همانطور که در شکل 1 نشان داده شده است ، چارچوب KAG از سه مؤلفه تشکیل شده است:
KAG-Builder بر ساخت و ساز تمرکز دارد … وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر
منتشر شده از طریق به سمت هوش مصنوعی
