نویسنده (ها): کالش واسانیا
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
چرا نمودار RAG از بازیابی کلاسیک بهتر است: یک مسیر باهوش تر برای پاسخ های غنی از متن
اگر عضو نیستید اما می خواهید این مقاله را بخوانید ، این پیوند دوست را در اینجا ببینید.
Graph Rag مطمئناً سطح بعدی است.
بازیابی Top-K در RAG به ندرت کار می کند.
روشهای RAG Legacy به انتخاب “K” مربوطه ترین قسمت ها یا تکه های متن بستگی دارد. این امر اثربخشی دارد اما در صورت نیاز به یک داستان کامل و منسجم به زودی کافی نیست.
در نظر بگیرید که بیوگرافی در جایی که هر فصل به یک موفقیت اختصاص دارد ، در نظر بگیرید. اگر به سادگی بیشترین استفاده را کنید ، اطلاعات ضروری را حذف خواهید کرد.
این یک تصویر ناقص را در اختیار شما قرار می دهد و پاسخ هایی را ایجاد می کند که ممکن است فاقد زمینه حیاتی یا ارتباط بین دستاوردها باشد.
پارچه نمودار معمولی نیست.
به جای استفاده مستقیم از بالاترین مؤلفه های K ، یک نمودار به هم پیوسته را نشان می دهد که افراد کلیدی و نحوه اتصال آنها بر اساس متون منبع را نشان می دهد.
به عنوان مثال ، اگر شما یک داستان زندگی را خلاصه می کنید ، نمودار Rag یک نمودار کامل ایجاد می کند که در آن فرد (به نفع استدلال ، نام آنها را P) با تمام دستاوردها مرتبط است. قدرت فرآیند این است که می تواند با شناسایی و حفظ روابط در اطلاعاتی که در غیر این صورت از بین می رود ، تصویر کامل را ارائه دهد.
جمع آوری نهادها و روابط آنها یکی از مراحل اصلی در نمودار Rag… وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر
منتشر شده از طریق به سمت هوش مصنوعی
منبع: https://towardsai.net/p/artificial-intelligence/traditional-rag-vs-graph-rag