Генеративный искусственный интеллект и машинное обучение

В чем преимущества графов?

По мере того как организации создают и внедряют приложения генеративного искусственного интеллекта (ИИ), их ожидания в отношении точности, полноты и объясняемости растут. В некоторой степени может помочь предоставление корпоративного контекста и контекста, специфичного для конкретной предметной области с помощью таких методов, как дополненная извлеченными данными генерация (RAG): RAG экономичен и предоставляет актуальную и релевантную информацию для генеративного ИИ, сохраняя при этом управление данными и контроль над ними.

Дополненная извлеченными данными генерация на основе графов (GraphRAG) выводит RAG на новый уровень, используя возможности аналитики графов и векторного поиска для повышения точности, полноты и объясняемости ответов ИИ. GraphRAG достигает этого за счет использования взаимосвязей между объектами или структурными элементами данных, такими как разделы или заголовки с фрагментами документов, для предоставления наиболее релевантных данных в качестве входных данных для приложений RAG. Решение может устанавливать многоступенчатые связи между смежными объектами или темами, а также использовать эти факты для усиления генеративного ответа.

Возможности Amazon Neptune

1. GraphRAG

Amazon предоставляет полностью управляемые и самоуправляемые варианты создания и запуска приложений GraphRAG.

Полное управление: базы знаний Amazon Bedrock предоставляют одну из первых в мире полностью управляемых возможностей GraphRag. Он в автоматическом режиме управляет созданием и поддержкой графиков и встраиваний. Это позволяет клиентам предоставлять конечным пользователям более релевантные ответы. Благодаря этой возможности вам не понадобятся глубокие знания в области графов, включая разработку стратегий разбиения на части или сложную интеграцию RAG с большими языковыми моделями (LLM) и векторными хранилищами.
Самостоятельное управление: если вы хотите самостоятельно разместить или подключиться к собственным источникам данных или сторонним продуктам (базовые модели, векторные хранилища, хранилища данных), у вас есть два варианта.
- Набор инструментов AWS GraphRag Python: новый набор инструментов GraphRag с открытым исходным кодом поддерживает современные фундаментальные и графовые модели . Он предоставляет платформу для автоматизации построения графиков на основе неструктурированных данных и для отправки запросов к этому графику при ответах на вопросы пользователей.
- Фреймворки с открытым исходным кодом: Neptune упрощает создание приложений GraphRag за счет интеграции с LangChain и LlamaIndex. Это упрощает создание приложений с использованием LLM, таких как доступные в Amazon Bedrock. AWS поддерживает оба этих популярных проекта с открытым исходным кодом и вносит в них свой вклад.

набор инструментов GraphRag с открытым исходным кодом

2. Машинное обучение

Машинное обучение Neptune (ML): Neptune ML автоматически создает, обучает и применяет модели машинного обучения к вашим графическим данным. Он использует библиотеку Deep Graph Library (DGL) для автоматического выбора и обучения модели машинного обучения, оптимальной для вашей рабочей нагрузки, чтобы вы могли делать прогнозы на основе машинного обучения на основе машинного обучения на основе машинного обучения на основе графиков за несколько часов, а не недель.
Генерация запросов на естественном языке для графиков: если вы не знакомы с такими языками запросов, как Gremlin или Crypher, интеграция Neptune с NeptuneOpencypherQAchain позволит вам задавать вопросы в базе данных графов Neptune на естественном языке. Например, вы можете переводить вопросы на английском языке в графовые запросы openCypher и получать удобные для чтения человеком ответы. Эту цепочку можно использовать для ответа на такие вопросы, как «В каком аэропорту США самые длинные и короткие исходящие маршруты? ».

ДГЛ

Примеры использования

GraphRag можно использовать для улучшения службы ИТ-поддержки и контакт-центра. Например, GraphRag позволяет группам Security Operations Center (SOC) более точно интерпретировать оповещения для обеспечения безопасности критически важных систем. Чат-бот поддержки медицинских работников способен быстро найти требуемую информацию в большом объеме медицинской литературы и ответить на сложные вопросы о симптомах, а также методах и результатах лечения пациентов.

Благодаря применению GraphRAG можно получить углубленные аналитические данные для специалистов таких подразделений компании, как отдел финансового планирования и бухгалтерского учета (FP&A), управления персоналом, маркетинга, юридический отдел и т. д. Например, команды корпоративных юристов могут более эффективно находить информацию о налоговом законодательстве, нормативных актах и судебных прецедентах для разработки стратегий рассмотрения дел. Маркетинговые команды могут создавать 360-градусные просмотры клиентов на основе социальных связей и истории покупок потенциального клиента.

Компании из разных отраслей извлекают выгоду из GraphRAG. Например, в фармацевтической промышленности команды разработчиков могут использовать GraphRag для ускорения исследований и испытаний лекарств. В сфере инвестиционного банкинга способность GraphRag выявлять сложные взаимоотношения и обеспечивать целостное представление корпоративных документов, что помогает группам по комплексной проверке выявлять в RAG такие сведения, как регуляторные права и динамика конкуренции, которые в противном случае не всегда очевидны.