生成式 AI 和機器學習
為何選擇圖形？
隨著組織建置和部署生成式人工智慧 (AI) 應用程式，他們對準確性、全面性和可解釋性的期望越來越高。透過 檢索增強生成 (RAG) 等技術提供企業和領域特定內容，可以在某種程度上有所協助，RAG 在保持資料治理和控制的同時為生成式 AI 提供目前和相關資訊方面符合成本效益。
圖形檢索增強生成 (GraphRAG) 將 RAG 提升到一個新的層級，利用圖形分析和向量搜索的能力來增強 AI 回應的準確性、全面性和可解釋性。GraphRAG 透過利用資料中的實體或結構元素之間的關係 (例如帶有文件區塊的區段或標題) 來實現此一目標，為 RAG 應用程式的輸入提供最相關的資料。其可在相關實體或主題之間建立多躍點連接，並使用這些事實來增強生成式回應。
圖形檢索增強生成 (GraphRAG) 將 RAG 提升到一個新的層級，利用圖形分析和向量搜索的能力來增強 AI 回應的準確性、全面性和可解釋性。GraphRAG 透過利用資料中的實體或結構元素之間的關係 (例如帶有文件區塊的區段或標題) 來實現此一目標，為 RAG 應用程式的輸入提供最相關的資料。其可在相關實體或主題之間建立多躍點連接，並使用這些事實來增強生成式回應。
Amazon Neptune 功能
1. GraphRAG
Amazon 提供全受管和自我管理選項，用於建立和執行 GraphRAG 應用程式。
- 全受管：Amazon Bedrock 知識庫提供其中一項全球首創的全受管 GraphRAG 功能。它會自動管理圖形和嵌入的建立和維護，使客戶能夠為最終使用者提供更相關的回應。藉助此功能，您無需深入的圖形專業知識，包括建立區塊策略或與 LLM 和向量存放區進行複雜的 RAG 整合。
- 自我管理：如果您想要自行託管或連線至自訂資料來源/第三方產品 (基礎模型、向量存放區、資料存放區)，您有兩種選擇。
- AWS GraphRAG Python 工具組：全新開放原始碼 GraphRAG 工具組支援最新的基礎模型和圖形模型。它提供一個架構，用於自動從非結構化資料建構圖形，並在回答使用者問題時查詢此圖形。
- 開放原始碼架構：Neptune 藉由與 LangChain 和 LlamaIndex 整合，簡化了 GraphRAG 應用程式的建立。這可讓您輕鬆地使用 LLM 來建置應用程式，例如 Amazon Bedrock 中提供的應用程式。AWS 可為這兩項熱門的開放原始碼專案提供支援和助力。
2. 機器學習
- Neptune Machine Learning (ML)：Neptune ML 會針對圖形資料自動建立、訓練和應用 ML 模型。它使用 Deep Graph Library (DGL) 自動為您的工作負載選擇和訓練最佳 ML 模型，以便您可以用數小時而不是數週的時間，對圖形資料進行以 ML 為基礎的預測。
- 圖形的自然語言查詢產生：如果您不熟悉 Gremlin 或 Cypher 等查詢語言，Neptune 與 NeptuneOpenCypherQAChain 整合，可讓您使用自然語言來詢問 Neptune 圖形資料庫相關問題。例如，您可以將英語問題翻譯成 openCypher 查詢，並返回人類可讀的回應。該鏈可用於回答「美國哪個機場的出境路線最長、最短？」等問題。
使用案例
GraphRAG 可用於改善 IT 服務台和聯絡中心。例如，GraphRAG 可以讓安全營運中心 (SOC) 團隊更準確地解譯提醒，以協助保護關鍵系統。醫療保健成員支援聊天機器人可以從大量醫學文獻中快速找到相關資訊，以回答有關患者症狀、治療和結果的複雜問題。
GraphRAG 應用程式可以為企業職能的團隊提供深入洞察，例如財務規劃與會計 (FP&A)、行銷、法務、人力資源等。例如，企業法務團隊可以更有效地尋找有關稅務法律、法規和案例前例的資訊，以制定案例策略。行銷團隊可以根據潛在客戶的社交聯繫和購買歷史記錄建立客戶 360 度檢視。
跨產業的公司受益於 GraphRAG。例如，在製藥產業中，研發團隊可以使用 GraphRAG 加快藥物研究和試驗。在投資銀行業領域中，GraphRAG 能夠繪製複雜的關係並提供公司申報的全面檢視，協助盡職調查團隊透過 RAG 發現其他不明顯的洞察，例如監管權和競爭動態。
入門
有許多方法可以開始使用，包括：
- AWS GraphRAG 工具組
- GraphRAG 範例解決方案
- Neptune ML 快速入門範本，使用 AWS CloudFormation
- 使用自然語言透過 Amazon Neptune 和 LangChain (示範) 來簡化圖形查詢
- 文件：適用於圖形機器學習的 Amazon Neptune ML