AI tạo sinh và máy học
Tại sao nên sử dụng đồ thị?
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 toàn phần: Cơ sở kiến thức Amazon Bedrock cung cấp một trong những chức năng GraphRAG được quản lý toàn phần 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 lưu trữ véc-tơ, kho dữ liệu), bạn có 2 lựa chọn.
- Bộ công cụ Python của AWS GraphRAG: Bộ công cụ GraphRAG nguồn mở mới hỗ trợ các mô hình nền tảng và đồ thị mới nhất. 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 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.
2. Máy học
- Neptune Machine Learning (ML): Neptune ML tự động tạo, huấn luyện và áp dụng các mô hình máy học vào dữ liệu đồ thị của bạn. Tính năng này sử dụng Deep Graph Library (DGL) để tự động chọn và huấn luyện mô hình ML phù hợp nhất với khối lượng công việc để bạn có thể đưa ra dự đoán dựa trên ML về dữ liệu đồ thị trong vài giờ thay vì vài tuần.
- Tạo truy vấn bằng ngôn ngữ tự nhiên cho đồ thị: Nếu bạn không quen sử dụng các ngôn ngữ truy vấn như Gremlin hoặc Cypher, tiện ích tích hợp Neptune với NeptuneOpenCypherQAChain sẽ giúp bạn đặt câu hỏi về cơ sở dữ liệu đồ thị Neptune 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 ở Hoa Kỳ có đường bay đi dài nhất và ngắn nhất?”.
Trường hợp sử dụng
Bạn có thể sử dụng GraphRAG để cải thiện dịch vụ hỗ trợ CNTT và trung tâm liên hệ. Ví dụ: GraphRAG có thể giúp các đội ngũ Trung tâm hoạt động bảo mật (SOC) diễn giải các cảnh báo một cách 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: đội ngũ pháp lý của doanh nghiệp có thể tìm kiếm thông tin một cách hiệu quả hơn về luật thuế, quy định và tiền lệ để lên ý tưởng cho các chiến lược. Đội ngũ tiếp thị có thể tạo góc nhìn toàn diện về 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, đội ngũ nghiên cứu và phát triển có thể sử dụng GraphRAG để tăng tốc độ nghiên cứu và thử nghiệm thuốc. Trong lĩnh vực ngân hàng đầu tư, GraphRAG có thể lập bản đồ các mối quan hệ phức tạp và cung cấp một cái nhìn toàn diện về hồ sơ của công ty, từ đó giúp đội ngũ thẩm định khám phá thông tin chuyên sâu – chẳng hạn như quyền quản lý và động lực cạnh tranh – mà không thể phát hiện dễ dàng nếu thiếu RAG.
Bắt đầu
Có nhiều cách để bắt đầu, bao gồm:
- Bộ công cụ GraphRAG của AWS
- Giải pháp mẫu GraphRAG
- Các mẫu khởi động nhanh Neptune ML có sử dụng AWS CloudFormation
- Sử dụng ngôn ngữ tự nhiên để đơn giản hóa các truy vấn đồ thị với Amazon Neptune và LangChain (bản minh họa)
- Tài liệu: Amazon Neptune ML dành cho máy học trên đồ thị