Passer au contenu principal

Pourquoi des graphes ?

À mesure que les organisations développent et déploient des applications d’intelligence artificielle (IA) générative, leurs attentes en matière de précision, d’exhaustivité et d’explicabilité augmentent. Fournir un contexte spécifique à l’entreprise et au domaine grâce à des techniques telles que la génération à enrichissement contextuel (RAG) peut être utile dans une certaine mesure. La RAG est rentable, car elle fournit des informations actuelles et pertinentes pour l’IA générative tout en préservant la gouvernance et le contrôle des données.

La génération à enrichissement contextuel graphique (GraphRAG) fait passer la RAG à un niveau supérieur en exploitant la puissance de l’analyse graphique et de la recherche vectorielle pour améliorer la précision, l’exhaustivité et l’explicabilité des réponses de l’IA. GraphRAG y parvient en exploitant les relations entre les entités ou les éléments structurels des données, tels que les sections ou les titres contenant des morceaux de documents, afin de fournir les données les plus pertinentes en entrée aux applications RAG. Vous pouvez ainsi récupérer des connexions à sauts multiples entre des entités ou des sujets connexes et utiliser ces informations pour augmenter une réponse générative.

Fonctionnalités d’Amazon Neptune

1

GraphRAG

Amazon fournit des options entièrement gérées et autogérées pour créer et exécuter des applications GraphRAG.

  • Gestion complète  : les bases de connaissances Amazon Bedrock offrent l'une des premières fonctionnalités GraphRag entièrement gérées au monde. Il gère automatiquement la création et la maintenance de graphes et d’intégrations, permettant aux clients de fournir des réponses plus pertinentes aux utilisateurs finaux. Grâce à cette fonctionnalité, vous n’avez pas besoin d’une expertise approfondie en matière de graphes, notamment pour la création de stratégies de découpage ou d’intégrations RAG complexes avec des LLM et des magasins vectoriels.
  • Autogéré  : si vous souhaitez héberger vous-même ou vous connecter à des sources de données personnalisées/à des produits tiers (modèles fondamentaux, magasins vectoriels, magasins de données), deux choix s'offrent à vous.
    • Boîte à outils Python AWS GraphRag : la nouvelle boîte à outils GraphRag open source prend en charge des modèles fondamentaux et graphiques à jour. Elle fournit un cadre pour automatiser la construction d’un graphe à partir de données non structurées et interroger ce graphe lorsque vous répondez aux questions des utilisateurs.
    • Frameworks open source  : Neptune simplifie la création d'applications GraphRag en s'intégrant à la fois à LangChain et à LLamaIndex. Cela facilite la création d’applications avec des LLM, comme ceux disponibles dans Amazon Bedrock. AWS soutient et contribue à ces deux projets open source populaires.
boîte à outils GraphRag open source

2

Machine learning

  • Neptune Machine Learning (ML)  : Neptune ML crée, entraîne et applique automatiquement des modèles ML aux données de vos graphiques. Il utilise Deep Graph Library (DGL) pour sélectionner et entraîner automatiquement le modèle de machine learning le mieux adapté à votre charge de travail afin que vous puissiez effectuer des prédictions basées sur le ML sur des données graphiques en quelques heures au lieu de plusieurs semaines.
  • Génération de requêtes en langage naturel pour les graphes  : si vous ne connaissez pas les langages de requête tels que Gremlin ou Cypher, l'intégration de Neptune à NeptuneOpenCypherQaChain vous permet d'interroger votre base de données de graphes Neptune en langage naturel. Par exemple, vous pouvez traduire des questions posées en anglais en requêtes openCypher et renvoyez des réponses facilement compréhensibles par les utilisateurs. Cette chaîne peut être utilisée pour répondre à des questions telles que «  Quel aéroport américain propose les itinéraires sortants les plus longs et les plus courts ? ».
DGL

Cas d'utilisation

GraphRag peut être utilisé pour améliorer le centre de services informatiques et le centre d'appels. Par exemple, GraphRag peut permettre aux équipes du Security Operations Center (SOC) d'interpréter les alertes avec plus de précision afin de sécuriser les systèmes critiques. Un chatbot d’assistance aux membres du secteur de la santé peut trouver rapidement des informations pertinentes dans de grands volumes de littérature médicale afin de répondre à des questions complexes concernant les symptômes, les traitements et les résultats des patients.

Les applications GraphRAG peuvent fournir des informations approfondies aux équipes chargées des fonctions de l’entreprise, comme la planification financière et la comptabilité (FP&A), le marketing, le service juridique, les ressources humaines, etc. Par exemple, les équipes juridiques des entreprises peuvent trouver plus efficacement des informations sur les lois fiscales, les réglementations et les précédents afin d'élaborer des stratégies de gestion des affaires. Les équipes marketing peuvent créer des vues à 360 degrés des clients en fonction des liens sociaux et de l'historique des achats d'un prospect.

Les entreprises de tous les secteurs bénéficient de GraphRAG. Par exemple, dans l'industrie pharmaceutique, les équipes de R&D peuvent utiliser GraphRag pour accélérer la recherche et les essais de médicaments. Dans le secteur de la banque d'investissement, la capacité de GraphRag à cartographier des relations complexes et à fournir une vue globale des dossiers des entreprises, ce qui aide les équipes de due diligence à découvrir des informations, telles que les droits réglementaires et la dynamique concurrentielle, avec RAG qui ne seraient pas facilement apparentes autrement.

Mise en route

Il existe de nombreuses façons de commencer, notamment :