AI tạo sinh và máy học

Tại sao nên sử dụng đồ thị?

Khi các tổ chức xây dựng và triển khai ứng dụng trí tuệ nhân tạo (AI) tạo sinh, kỳ vọng của họ về độ chính xác, tính toàn diện và khả năng giải thích sẽ ngày càng tăng. Cung cấp ngữ cảnh cụ thể theo doanh nghiệp và theo lĩnh vực thông qua các kỹ thuật như tạo có kết hợp truy xuất thông tin ngoài (RAG) có thể giúp ích ở một mức độ nào đó – RAG giúp tiết kiệm chi phí trong việc cung cấp thông tin hiện hành và phù hợp cho AI tạo sinh trong khi vẫn duy trì quyền kiểm soát và quản trị dữ liệu.

Kỹ thuật Tạo có kết hợp truy xuất thông tin ngoài dựa trên đồ thị (GraphRAG) đưa RAG lên một tầm cao mới bằng cách khai thác sức mạnh của cả phân tích đồ thị và tìm kiếm theo véc-tơ để nâng cao độ chính xác, tính toàn diện và khả năng giải thích của các phản hồi từ AI. GraphRAG đạt được điều này bằng cách tận dụng mối quan hệ giữa các thực thể hoặc các yếu tố cấu trúc trong dữ liệu, chẳng hạn như các phần hoặc tiêu đề với các đoạn tài liệu, để cung cấp dữ liệu phù hợp nhất làm đầu vào cho các ứng dụng RAG. Phương pháp này có thể tạo ra kết nối đa bước giữa các thực thể hoặc chủ đề liên quan và sử dụng những dữ kiện này để tăng cường phản hồi tổng hợp.

Các chức năng của Amazon Neptune

1. GraphRAG

Amazon cung cấp các tùy chọn được quản lý toàn phần và tự quản lý để tạo và chạy các ứng dụng GraphRAG.

Được quản lý hoàn toàn: Cơ sở tri thức Amazon Bedrock cung cấp một trong những khả năng GraphRAG được quản lý đầy đủ đầu tiên trên thế giới. Dịch vụ này tự động quản lý việc tạo và duy trì đồ thị và phần nhúng, cho phép khách hàng cung cấp các phản hồi phù hợp hơn cho người dùng cuối. Với chức năng này, bạn không cần phải có kiến thức chuyên môn sâu về đồ thị, bao gồm việc tạo ra các chiến lược phân khối hoặc tích hợp RAG phức tạp với LLM và kho lưu trữ véc-tơ.
Tự quản lý: Nếu bạn đang tìm cách tự lưu trữ hoặc kết nối với các nguồn dữ liệu tùy chỉnh/sản phẩm của bên thứ ba (mô hình nền tảng, kho vectơ, kho dữ liệu), bạn có hai lựa chọn.
- Bộ công cụ Python của AWS GraphRag: Bộ công cụ GraphRag mã nguồn mở mới hỗ trợ các mô hình nền tảng và biểu đồ cập nhật. Dịch vụ này cung cấp một bộ khung để tự động hóa việc xây dựng biểu đồ từ dữ liệu phi cấu trúc và truy vấn biểu đồ này khi trả lời câu hỏi của người dùng.
- Khung mã nguồn mở: Neptune đơn giản hóa việc tạo các ứng dụng GraphRag bằng cách tích hợp với cả LangChain và LlamaIndex. Điều này giúp dễ dàng xây dựng các ứng dụng với LLM như những ứng dụng được cung cấp trong Amazon Bedrock. AWS hỗ trợ và đóng góp cho cả hai dự án nguồn mở phổ biến này.

bộ công cụ GraphRag mã nguồn mở

2. Máy học

Neptune Machine Learning (ML): Neptune ML tự động tạo, đào tạo và áp dụng các mô hình ML trên dữ liệu đồ thị của bạn. Nó sử dụng Thư viện đồ thị sâu (DGL) để tự động chọn và đào tạo mô hình ML tốt nhất cho khối lượng công việc của bạn để bạn có thể đưa ra dự đoán dựa trên ML trên dữ liệu đồ thị trong giờ thay vì tuần.
Tạo truy vấn ngôn ngữ tự nhiên cho đồ thị: Nếu bạn không quen với các ngôn ngữ truy vấn như Gremlin hoặc Cypher, tích hợp Neptune với Nep tuneOpenCypherQAChain cho phép bạn đặt câu hỏi về cơ sở dữ liệu đồ thị Nep tune của mình bằng ngôn ngữ tự nhiên. Ví dụ: bạn có thể dịch câu hỏi tiếng Anh thành các truy vấn openCypher và trả về câu trả lời mà con người dễ dàng đọc được. Chuỗi này có thể được sử dụng để trả lời các câu hỏi như “Sân bay nào của Hoa Kỳ có tuyến đường đi dài nhất và ngắn nhất? ”.

DGL

Trường hợp sử dụng

GraphRag có thể được sử dụng để cải thiện bàn dịch vụ CNTT và trung tâm liên lạc. Ví dụ, GraphRAG có thể cho phép các nhóm Trung tâm Hoạt động Bảo mật (SOC) giải thích các cảnh báo chính xác hơn để giúp bảo mật các hệ thống quan trọng. Một chatbot hỗ trợ thành viên dịch vụ chăm sóc sức khỏe có thể nhanh chóng tìm thấy thông tin liên quan từ khối lượng lớn tài liệu y khoa để trả lời các câu hỏi phức tạp về các triệu chứng, phương pháp điều trị và kết quả của bệnh nhân.

Các ứng dụng GraphRAG có thể cung cấp thông tin chuyên sâu cho các đội ngũ thuộc những phòng ban khác nhau của công ty như kế hoạch tài chính và kế toán (FP&A), tiếp thị, pháp lý, nhân sự, v.v. Ví dụ, các nhóm pháp lý doanh nghiệp có thể tìm kiếm thông tin hiệu quả hơn về luật thuế, quy định và tiền lệ trường hợp để ý tưởng về các chiến lược trường hợp. Nhóm tiếp thị có thể tạo lượt xem 360 của khách hàng dựa trên kết nối xã hội và lịch sử mua hàng của khách hàng tiềm năng.

Các công ty trong mọi lĩnh vực được hưởng lợi từ GraphRAG. Ví dụ, trong ngành dược phẩm, các nhóm R & D có thể sử dụng GraphRAG để tăng tốc độ nghiên cứu và thử nghiệm thuốc. Trong lĩnh vực ngân hàng đầu tư, khả năng của GraphRAG trong việc lập bản đồ các mối quan hệ phức tạp và cung cấp một cái nhìn toàn diện về hồ sơ của công ty, giúp các nhóm thẩm định khám phá những hiểu biết sâu sắc - chẳng hạn như quyền quản lý và động lực cạnh tranh - với RAG mà nếu không thì không dễ thấy.