AI generatif dan machine learning

Mulai menggunakan Neptune

Mengapa grafik?

Saat organisasi membangun dan men- deploy aplikasi kecerdasan buatan (AI) generatif, ekspektasi mereka terhadap akurasi, kelengkapan, dan penjelasan makin meningkat. Menyediakan konteks khusus perusahaan dan domain melalui teknik seperti Retrieval Augmented Generation (RAG) dapat membantu sampai batas tertentu— RAG hemat biaya untuk menyediakan informasi terkini dan relevan untuk AI generatif sambil mempertahankan tata kelola dan kontrol data.

Graph Retrieval Augmented Generation (GraphRAG) membawa RAG ke tingkat berikutnya dengan memanfaatkan kekuatan analitik grafik dan pencarian vektor untuk meningkatkan akurasi, kelengkapan, dan kejelasan respons AI. GraphRAG mencapai hal tersebut dengan memanfaatkan hubungan antara entitas atau elemen struktural dalam data, seperti bagian atau judul dengan potongan dokumen, untuk menyediakan data yang paling relevan sebagai input ke aplikasi RAG. GraphRAG dapat membuat koneksi multi-hop di antara entitas atau topik terkait dan menggunakan fakta-fakta ini untuk menambah respons generatif.

Kemampuan Amazon Neptune

1. GraphRAG

Amazon menyediakan opsi terkelola penuh dan dikelola sendiri untuk membuat serta menjalankan aplikasi GraphRAG.

Dikelola sepenuhnya: Amazon Bedrock Knowledge Bases menawarkan salah satu kemampuan GraphRAG pertama yang dikelola sepenuhnya di dunia. Layanan tersebut secara otomatis mengelola pembuatan dan pemeliharaan grafik serta sematan, sehingga pelanggan dapat memberikan respons yang lebih relevan kepada pengguna akhir. Dengan kemampuan ini, Anda tidak akan membutuhkan keahlian grafik yang mendalam, termasuk pembuatan strategi pemotongan atau integrasi RAG yang kompleks dengan LLM dan penyimpanan vektor.
Dikelola sendiri: Jika Anda ingin meng-host sendiri atau terhubung ke sumber data kustom/produk pihak ketiga (model dasar, penyimpanan vektor, penyimpanan data), Anda memiliki dua pilihan.
- AWS GraphRag Python toolkit: Tool kit GraphRag open source baru mendukung model dasar dan grafik terbaru. Kit alat menyediakan kerangka kerja untuk mengotomatisasi konstruksi grafik dari data tidak terstruktur, dan untuk mengueri grafik ini saat menjawab pertanyaan pengguna.
- Kerangka kerja sumber terbuka: Neptunus menyederhanakan pembuatan aplikasi GraphRag dengan mengintegrasikan dengan LangChain dan LlamaIndex. Hal ini memudahkan pembangunan aplikasi dengan LLM seperti yang tersedia di Amazon Bedrock. AWS mendukung dan berkontribusi pada kedua proyek sumber terbuka populer ini.

toolkit GraphRag sumber terbuka

2. Machine learning

Neptune Machine Learning (ML): Neptune ML secara otomatis membuat, melatih, dan menerapkan model ML pada data grafik Anda. Ini menggunakan Deep Graph Library (DGL) untuk secara otomatis memilih dan melatih model ML terbaik untuk beban kerja Anda sehingga Anda dapat membuat prediksi berbasis ML pada data grafik dalam jam, bukan minggu.
Pembuatan kueri bahasa alami untuk grafik: Jika Anda tidak terbiasa dengan bahasa kueri seperti Gremlin atau Cypher, integrasi Neptuneus dengan Nep tuneOpenCypherQAChain memungkinkan Anda mempertanyakan database grafik Neptun us Anda menggunakan bahasa alami. Misalnya, Anda dapat menerjemahkan pertanyaan bahasa Inggris ke dalam kueri openCypher dan menghasilkan respons yang dapat dibaca manusia. RanTAI ini dapat digunakan untuk menjawab pertanyaan seperti “Bandara AS mana yang memiliki rute keluar terpanjang dan terpendek? “.

DGL

Kasus penggunaan

GraphRag dapat digunakan untuk meningkatkan meja layanan TI dan pusat kontak. Misalnya, GraphRAG dapat memungkinkan tim Pusat Operasi Keamanan (SOC) untuk menafsirkan peringatan dengan lebih akurat untuk membantu mengamankan sistem kritis. Chatbot dukungan anggota layanan kesehatan dapat dengan cepat menemukan informasi relevan dari sejumlah besar literatur medis untuk menjawab pertanyaan rumit tentang gejala, perawatan, dan hasil pasien.

Aplikasi GraphRAG dapat memberikan wawasan mendalam bagi tim dalam fungsi perusahaan seperti perencanaan keuangan & akuntansi (FP&A), pemasaran, hukum, SDM, dll. Misalnya, tim hukum perusahaan dapat lebih efektif menemukan informasi tentang undang-undang pajak, peraturan, dan preseden kasus untuk membuat ide tentang strategi kasus. Tim pemasaran dapat membuat tampilan 360 pelanggan berdasarkan koneksi sosial prospek dan riwayat pembelian.

Perusahaan di berbagai industri mendapat manfaat dari GraphRAG. Misalnya, di industri farmasi, tim R&D dapat menggunakan GraphRAG untuk mempercepat penelitian dan uji coba obat. Di ruang perbankan investasi, kemampuan GraphRAG untuk memetakan hubungan yang kompleks dan memberikan pandangan holistik tentang pengajuan perusahaan, yang membantu tim uji tuntas untuk mengungkap wawasan - seperti hak peraturan dan dinamika persaingan - dengan RAG yang sebaliknya tidak mudah terlihat.