跳至主要内容

Amazon Neptune

为什么要使用图表？

组织在构建和部署生成式人工智能（AI）应用程序的过程中，对准确性、全面性和可解释性的期望越来越高。通过 检索增强生成（RAG）等技术提供企业和域特定的上下文，可以在一定程度上帮助解决这一问题，因为 RAG 经济高效，在为生成式人工智能提供最新相关信息的同时，还能保留数据治理和控件。

图谱检索增强生成（GraphRAG）通过结合图形分析和向量搜索的力量来提高人工智能响应的准确性、全面性和可解释性，将 RAG 提升到一个新的水平。GraphRAG 通过利用数据中实体或结构元素之间的关系（例如文档中的章节或标题与文本块之间的关系），来为 RAG 应用程序提供最相关的数据作为输入，从而实现这一目标。它可以在相关实体或主题之间建立多跳连接，并利用这些事实来增强生成式响应。

Amazon Neptune 功能

1

GraphRAG

Amazon 为创建和运行 GraphRAG 应用程序提供完全托管和自我管理的选项。

  • 完全托管：亚马逊 Bedrock 知识库提供世界上第一个完全托管的 GraphRag 功能之一。它可以自动管理图表和嵌入的创建和维护，使客户能够向最终用户提供更相关的响应。借助此功能，您无需具备深厚的图形专业知识，包括创建分块策略或与 LLM 和向量存储的复杂 RAG 集成。
  • 自我管理：如果您希望自托管或连接到自定义数据源/第三方产品（基础模型、矢量存储、数据存储），则有两种选择。
    • AWS GraphRag Python 工具包：新的开源 GraphRag 工具包支持最新的基础和图形模型。它提供了一个框架，用于自动从非结构化数据构造图形，以及在回答用户问题时查询该图表。
    • 开源框架：海王星通过集成LangChain和LlaMainDex来简化GraphRag应用程序的创建。这使用户可以轻松使用 LLM 构建应用程序（例如 Amazon Bedrock 中提供的应用程序）。AWS 支持并参与了这两个受欢迎的开源项目。
开源 GraphRag 工具包

2

机器学习

  • 海王星机器学习 (ML)：海王星机器学习会自动创建、训练和应用机器学习模型到您的图形数据上。它使用 Deep Graph Library (DGL) 自动为您的工作负载选择和训练最佳 ML 模型，这样您就可以在几小时而不是几周内对图形数据做出基于 ML 的预测。
  • 生成图表的自然语言查询：如果你不熟悉 Gremlin 或 Cypher 等查询语言，海王星与 Nept uneOpenCypherQaChain 的集成使你能够使用自然语言质疑海王星图形数据库。例如，您可以将英语问题翻译成 openCypher 查询并返回人类可读的响应。这个连锁店可以用来回答诸如 “哪个美国机场的出境路线最长和最短？” 之类的问题”。
DGL

使用案例

GraphRag 可用于改进 IT 服务台和联络中心。例如，GraphRag 可以让安全运营中心 (SOC) 团队更准确地解释警报，以帮助保护关键系统。医疗保健成员支持聊天机器人可以从大量医学文献中快速找到相关信息，以回答有关患者症状、治疗和预后的复杂问题。

GraphRAG 应用程序可以为财务规划和会计 (FP&A)、营销、法律、人力资源等公司职能团队提供深刻的见解。例如，公司法律团队可以更有效地找到有关税法、法规和案例先例的信息，以构思案例策略。营销团队可以根据潜在客户的社交关系和购买历史创建客户 360 度视图。

各行各业的公司都受益于 GraphRAG。例如，在制药行业，研发团队可以使用GraphRag来加快药物研究和试验。在投资银行领域，GraphRag能够绘制复杂的关系并提供公司申报的整体视图，这有助于尽职调查团队通过RAG发现原本不显而易见的见解，例如监管权和竞争动态。

开始使用

入门的方式有许多，包括：