Перейти к главному контенту

Amazon Neptune

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 собственные источники данных или подключиться к ним либо к сторонним продуктам (базовым моделям, векторным хранилищам, хранилищам данных), у вас есть два варианта.
    • Набор инструментов GraphRAG Python. Новый набор инструментов GraphRAG с открытым исходным кодом поддерживает современные базовые 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.
    • Платформы с открытым исходным кодом. Neptune упрощает создание приложений GraphRAG с помощью 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 автоматически создает, обучает и применяет модели машинного обучения к вашим графическим данным. Оно использует библиотеку Deep Graph Library (DGL), автоматически выбирая и обучая наилучшую для вашей рабочей нагрузки модель машинного обучения, чтобы на ее основе вы могли делать прогнозы для графовых данных за несколько часов, а не недель.
  • Генерация запросов на естественном языке для графов. 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 самые короткие исходящие маршруты?»
DGL

Примеры использования

    GraphRAG можно использовать для совершенствования работы службы технической поддержки и контактного центра по вопросам ИТ. Например, GraphRAG позволяет группам Центра управления безопасностью (SOC) более точно обрабатывать оповещения. Это помогает обеспечивать безопасность 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, группы корпоративных юристов могут более эффективно находить информацию о налоговом законодательстве, нормативно-правовых актах и аналогичных делах для разработки стратегий ведения дел. Группы по маркетингу могут создавать всеобъемлющее представление о потенциальном клиенте на основе социальных связей и истории покупок.

    Компании из разных отраслей извлекают выгоду из GraphRAG. Например, в фармацевтической отрасли научно-исследовательские группы могут использовать GraphRAG для ускорения исследований и испытаний лекарственных препаратов. В сфере инвестиционно-банковской деятельности инструментарий GraphRAG способен выявлять сложные взаимоотношения и обеспечивать целостное представление форм корпоративной отчетности. Это помогает группам по комплексной юридической экспертизе получать с помощью RAG такую аналитическую информацию, – например, о нормативно-правовой базе и механизмах конкуренции, – которую может быть непросто получить иным образом.

Начало работы

Для начала работы существуют различные способы: