Üretici yapay zeka ve makine öğrenimi

Neden grafikler?

Kuruluşlar üretken yapay zeka (AI) uygulamaları oluşturup dağıttıkça doğruluk, kapsamlılık ve açıklanabilirlik beklentileri artmaktadır. Almayla Artırılmış Üretim (RAG) gibi tekniklerle kurumsal ve etki alanına özgü bağlam sağlamak bir ölçüde yardımcı olabilir. RAG, veri yönetişimini ve denetimini korurken üretken yapay zekaya güncel ve alakalı bilgiler sağlamak için uygun maliyetli bir seçenektir.

Grafik Almayla Artırılmış Üretim (GraphRAG), yapay zeka yanıtlarının doğruluğunu, kapsamlılığını ve açıklanabilirliğini artırmak için hem grafik analizinin hem de vektör aramanın gücünden yararlanarak RAG'ı bir üst seviyeye taşıyor. GraphRAG bunu, RAG uygulamalarına girdi olarak en alakalı verileri sağlamak için belge parçaları ile bölümler veya başlıklar gibi, verilerdeki varlıklar veya yapısal öğeler arasındaki ilişkilerden yararlanarak başarır. Bu yaklaşım, alakalı varlıklar veya konular arasında çok noktalı bağlantılar oluşturarak bu gerçekleri üretken bir yanıtı artırmak için kullanabilir.

Amazon Neptune kabiliyetleri

1. GraphRAG

Amazon, GraphRAG uygulamaları oluşturmak ve çalıştırmak için tam olarak yönetilen ve kullanıcının kendi yönettiği seçenekler sağlar.

Tamamen yöne tilen: Amazon Bedrock Bilgi Tabanları, dünyanın ilk tam olarak yönetilen GraphRAG yeteneklerinden birini sunar. Grafiklerin ve katıştırmaların oluşturulmasını ve sürdürülmesini otomatik olarak yönetir ve müşterilerin son kullanıcılara daha alakalı yanıtlar vermesini sağlar. Bu kabiliyet sayesinde, parçalara ayırma stratejilerinin oluşturulması veya LLM'lerle ve vektör depolarıyla karmaşık RAG entegrasyonları dahil olmak üzere derin grafik uzmanlığına ihtiyaç duymak zorunda kalmazsınız.
Kendi kendine yöne tilen: Kendi kendinize barındırmak veya özel veri kaynakları/üçüncü taraf ürünlere (temel modeller, vektör depoları, veri depoları) bağlanmak istiyorsanız, iki seçeneğiniz vardır.
- AWS GraphRag Python araç seti: Yeni açık kaynaklı GraphRag araç seti, güncel temel ve grafik modellerini destekler. Yapılandırılmamış verilerden bir grafiğin oluşturulmasını otomatikleştirmek ve kullanıcı sorularını yanıtlarken bu grafiği sorgulamak için bir çerçeve sağlar.
- Açık kaynak çerçeveleri: Neptune, hem LangChain hem de LlamaIndex ile entegre ederek GraphRag uygulamalarının oluşturulmasını basitleştirir. Bu, Amazon Bedrock'ta bulunanlar gibi çeşitli LLM'lerle uygulamalar oluşturmayı kolaylaştırır. AWS, bu popüler açık kaynaklı projelerin her ikisini de destekler ve bunlara katkıda bulunur.

açık kaynak GraphRag araç seti

2. Makine öğrenimi

Neptune Machine Learning (ML): Neptune ML, grafik verilerinize otomatik olarak ML modelleri oluşturur, eğitir ve uygular. İş yükünüz için en iyi ML modelini otomatik olarak seçmek ve eğitmek için Deep Graph Library (DGL) kullanır, böylece grafik verileri üzerinde haftalar yerine saatler cinsinden ML tabanlı tahminler yapabilirsiniz.
Grafikler için doğal dil sorgu oluşturma: Gremlin veya Cypher gibi sorgu dillerine aşina değilseniz, NeptuneOpenCypherQAChain ile Neptün entegrasyonu, Neptün grafik veritabanınızı doğal dil kullanarak sorgulamanızı sağlar. Örneğin, İngilizce soruları openCypher sorgularına çevirebilir ve insanlar tarafından okunabilen bir yanıt döndürebilirsiniz. Bu zincir, “Hangi ABD havaalanı en uzun ve en kısa giden yollara sahiptir?” gibi soruları yanıtlamak için kullanılabilir. ”.

DGL

Kullanım örnekleri

GraphRag, BT servis masasını ve iletişim merkezini geliştirmek için kullanılabilir. Örneğin, GraphRAG, Güvenlik Operasyonları Merkezi (SOC) ekiplerinin kritik sistemlerin güvenliğini sağlamaya yardımcı olmak için uyarıları daha doğru yorumlamasını sağlayabilir. Bir sağlık üyesi destek sohbet robotu; hasta semptomları, tedavileri ve sonuçları hakkındaki karmaşık soruları yanıtlamak için büyük hacimli tıbbi literatürden ilgili bilgileri hızlı bir şekilde bulabilir.

GraphRAG uygulamaları, finansal planlama ve muhasebe (FP&A), pazarlama, hukuk, İK vb. kurumsal işlevlerdeki ekipler için derin öngörüler sunabilir. Örneğin, kurumsal hukuk ekipleri, vaka stratejileri hakkında fikir edinmek için vergi yasaları, düzenlemeler ve vaka emsalleri hakkında daha etkili bilgi bulabilir. Pazarlama ekipleri, potansiyel müşterinin sosyal bağlantılarına ve satın alma geçmişine dayalı olarak müşteri 360 görünümleri oluşturabilir.

Farklı sektörlerdeki şirketler GraphRAG'dan yararlanıyor. Örneğin, ilaç endüstrisinde, Ar-Ge ekipleri ilaç araştırmalarını ve denemelerini hızlandırmak için GraphRag'ı kullanabilir. Yatırım bankacılığı alanında, GraphRag'ın karmaşık ilişkileri haritalama ve kurumsal dosyaların bütünsel bir görünümünü sağlama yeteneği, bu da durum tespiti ekiplerinin RAG ile düzenleyici haklar ve rekabet dinamikleri gibi öngörüleri ortaya çıkarmasına yardımcı olur ve aksi takdirde kolayca görünmeyen içgörüleri ortaya çıkarmasına yardımcı olur.