Saltar al contenido principal

¿Por qué usar gráficos?

A medida que las organizaciones crean y despliegan aplicaciones de inteligencia artificial (IA) generativa, aumentan sus expectativas de precisión, exhaustividad y explicabilidad. Proporcionar un contexto empresarial y específico del dominio con técnicas como la generación aumentada por recuperación (RAG) puede ayudar hasta cierto punto: la RAG es rentable para proporcionar información actual y pertinente para la IA generativa, al tiempo que retiene el control y la gobernanza de datos.

La generación aumentada de recuperación de gráficos (GraphRAG) lleva la RAG al siguiente nivel al aprovechar la potencia tanto del análisis de gráficos como de la búsqueda vectorial para mejorar la precisión, la exhaustividad y la explicabilidad de las respuestas de la IA. GraphRAG lo logra al aprovechar las relaciones entre entidades o elementos estructurales de los datos, como secciones o títulos con fragmentos de documentos, para proporcionar los datos más pertinentes como entrada a las aplicaciones de RAG. Puede crear conexiones de varios saltos entre entidades o temas relacionados y utilizar esta información para aumentar una respuesta generativa.

Capacidades de Amazon Neptune

1

GraphRAG

Amazon brinda opciones completamente administradas y autoadministradas para crear y ejecutar aplicaciones GraphRAG.

  • Totalmente administrado: las bases de conocimiento de Amazon Bedrock ofrecen una de las primeras capacidades de GraphRag totalmente administradas del mundo. Administra automáticamente la creación y el mantenimiento de gráficos e incrustaciones, lo que permite a los clientes ofrecer respuestas más pertinentes a los usuarios finales. Con esta capacidad, no es necesario contar con una amplia experiencia en gráficos, incluida la creación de estrategias de fragmentación o integraciones RAG complejas con LLM y almacenes de vectores.
  • Autogestionado: si quieres autohospedarte o conectarte a fuentes de datos personalizadas o productos de terceros (modelos fundamentales, almacenes vectoriales, almacenes de datos), tienes dos opciones.
    • Kit de herramientas Python de AWS GraphRag: el nuevo kit de herramientas GraphRag de código abierto admite modelos fundamentales y gráficos actualizados . Proporciona un marco para automatizar la creación de un gráfico a partir de datos no estructurados y para consultar este gráfico a la hora de responder a las preguntas de los usuarios.
    • Marcos de código abierto: Neptune simplifica la creación de aplicaciones GraphRag al integrarse con LangChain y LlamaIndex. Esto facilita la creación de aplicaciones con LLM, como los disponibles en Amazon Bedrock. AWS respalda y contribuye a estos dos populares proyectos de código abierto.
kit de herramientas GraphRag de código abierto

2

Machine learning

  • Neptune Machine Learning (ML): Neptune ML crea, entrena y aplica automáticamente modelos de ML en los datos de sus gráficos. Utiliza Deep Graph Library (DGL) para elegir y entrenar automáticamente el mejor modelo de aprendizaje automático para su carga de trabajo, de modo que pueda hacer predicciones basadas en aprendizaje automático sobre datos de gráficos en horas en lugar de semanas.
  • Generación de consultas en lenguaje natural para gráficos: si no está familiarizado con los lenguajes de consulta como Gremlin o Cypher, la integración de Neptune con NeptuneOpenCypherQAchain le permite cuestionar su base de datos de gráficos de Neptune utilizando lenguaje natural. Por ejemplo, puede traducir preguntas en inglés a consultas en openCypher y generar respuestas comprensibles para los humanos. Esta cadena se puede utilizar para responder a preguntas como «¿Qué aeropuerto de EE. UU. tiene las rutas de salida más largas y más cortas? ».
DGL

Casos de uso

GraphRag se puede utilizar para mejorar la mesa de servicio de TI y el centro de contacto. Por ejemplo, GraphRag puede permitir a los equipos del Centro de Operaciones de Seguridad (SOC) interpretar las alertas con mayor precisión para ayudar a proteger los sistemas críticos. Un chatbot de asistencia sanitaria puede encontrar rápidamente información pertinente en grandes volúmenes de literatura médica para responder a preguntas complejas sobre síntomas, tratamientos y resultados de los pacientes.

Las aplicaciones GraphRAG pueden proporcionar información detallada a equipos de funciones corporativas como planificación financiera y contabilidad (FP&A), marketing, jurídico, recursos humanos, etc. Por ejemplo, los equipos legales corporativos pueden encontrar información de manera más eficaz sobre las leyes tributarias, los reglamentos y los precedentes de casos para idear estrategias de casos. Los equipos de marketing pueden crear vistas 360 de los clientes en función de las conexiones sociales y el historial de compras de un cliente potencial.

Empresas de todos los sectores se benefician de GraphRAG. Por ejemplo, en la industria farmacéutica, los equipos de I+D pueden usar GraphRag para acelerar la investigación y los ensayos de fármacos. En el ámbito de la banca de inversión, la capacidad de GraphRag para mapear relaciones complejas y ofrecer una visión holística de las presentaciones corporativas, lo que ayuda a los equipos de diligencia debida a descubrir información (como los derechos regulatorios y la dinámica competitiva) con RAG que, de otro modo, no serían evidentes.

Introducción

Hay muchas maneras de comenzar, entre ellas: