Condividi tramite

Recupero aumentato generato (RAG) con grafici di ricerca vettoriale e knowledge base con Azure Cosmos DB

  • Articolo

SI APPLICA A: NoSQL

CosmosAIGraph è una soluzione innovativa che applica la potenza di Azure Cosmos DB per creare grafici di conoscenza basati sull'intelligenza artificiale. Questa tecnologia integra capacità avanzate del database a grafo con l'IA per offrire una solida piattaforma per la gestione e l'esecuzione di query su relazioni di dati complesse. Usando la scalabilità e le prestazioni di Cosmos DB sia in formato documento che vettoriale, Cosmos AI Graph consente la creazione di modelli di dati sofisticati in grado di rispondere a varie domande sui dati e di individuare relazioni e concetti nascosti nei dati semistrutturati.

Quali tipi di domande possono essere utili per rispondere ai grafici delle conoscenze?

  • Query di relazione complesse:

    • Domanda: "Quali sono le connessioni dirette e indirette tra la persona A e la persona B all'interno di un social network?"
    • Spiegazione: Graph RAG può attraversare il grafico per trovare tutti i percorsi e le relazioni tra due nodi, fornendo una mappa dettagliata delle connessioni, che è difficile per La ricerca vettoriale perché non ha una vista autorevole/curata delle relazioni tra entità.

  • Query di dati gerarchiche:

    • Domanda: "Qual è la gerarchia organizzativa, dal CEO fino ai dipendenti entry-level, in questa azienda?"
    • Spiegazione: Graph RAG è in grado di esplorare in modo efficiente le strutture gerarchica, identificando le relazioni padre-figlio e i livelli all'interno della gerarchia, mentre Ricerca vettoriale è più adatto per trovare elementi simili, anziché comprendere le relazioni gerarchiche.

  • Query di percorso contestuale:

    • Domanda: "Quali sono i passaggi coinvolti nella supply chain dal procurement di materie prime alla consegna finale del prodotto?"
    • Spiegazione: Graph RAG può seguire i percorsi e le dipendenze specifici all'interno di un grafico della supply chain, fornendo una suddivisione dettagliata. Ricerca vettoriale, sebbene eccellente per trovare elementi simili, manca della capacità di seguire e comprendere la sequenza di passaggi in un processo.

Quando si tratta di generazione aumentata del recupero (RAG), la combinazione di grafici di conoscenza e ricerca vettoriale può offrire potenti capacità che espandono la gamma di domande a cui è possibile rispondere sui dati. Graph RAG migliora il processo di recupero usando le relazioni strutturate all'interno di un grafico, rendendolo ideale per le applicazioni che richiedono la comprensione contestuale e l'esecuzione di query complesse, ad esempio sistemi di gestione delle conoscenze e distribuzione di contenuti personalizzati. D'altra parte, la ricerca vettoriale eccelle nella gestione dei dati non strutturati e nella ricerca di analogie in base agli incorporamenti vettoriali, utile per attività come il recupero di immagini e documenti. Insieme, queste tecnologie possono offrire una soluzione completa che combina i punti di forza dell'elaborazione dati strutturata e non strutturata.

Diagramma dell'infrastruttura, dei componenti e del flusso di Cosmos AI Graph.

OmniRAG

CosmosAIGraph include OmniRAG, un approccio versatile al recupero dei dati che seleziona in modo dinamico il metodo più adatto, ad esempio query di database, corrispondenza vettoriale o attraversamento del grafo delle conoscenze, per rispondere alle query degli utenti in modo efficace e con massima precisione, in quanto probabilmente raccoglierà più contesto e conext più autorevole di una di queste origini. La chiave per questa selezione dinamica è la finalità dell'utente, determinata dalla domanda dell'utente usando un'analisi di espressioni semplice e/o intelligenza artificiale. In questo modo ogni query viene risolta usando la tecnica ottimale, aumentando accuratezza ed efficienza. Ad esempio, una query utente sulle relazioni gerarchiche utilizza l'attraversamento grafico, mentre una query su documenti simili impiega la ricerca vettoriale, tutto all'interno di un framework unificato fornito da CosmosAIGraph. Inoltre, con l'aiuto dell'orchestrazione del processo RAG, è possibile usare più di un'origine per raccogliere il contesto per l'intelligenza artificiale, ad esempio è possibile consultare il grafo con prima e quindi per ognuna delle entità che hanno rilevato che è possibile eseguire il pull dei record di database effettivi e, se non sono stati trovati risultati, è probabile che il set di vettori restituisca risultati strettamente corrispondenti. Questo approccio olistico ottimizza i punti di forza di ogni metodo di recupero, offrendo risposte complete e contestualmente pertinenti.

Domande utente di esempio e strategia usate

Domande utente Strategia
Che cos'è la libreria Python Flask DB RAG
Quali sono le sue dipendenze? Graph Rag
Che cos'è la libreria Python Flask Database RAG
Quali sono le sue dipendenze? Graph RAG
Chi è l'autore DB RAG
Quali altre librerie ha scritto Graph RAG
Visualizzare un grafico di tutte le librerie e delle relative dipendenze Graph RAG

Operazioni preliminari

CosmosAIGraph applica Azure Cosmos DB per creare grafici basati su IA e grafici di knowledge base, consentendo modelli di dati sofisticati per applicazioni come sistemi di consiglio e rilevamento delle frodi. Combina le funzionalità tradizionali di database, database vettoriali e database a grafo con IA per gestire ed eseguire query su relazioni di dati complesse in modo efficiente. Inizia qui!

Passaggi successivi

Usare il livello gratuito di durata di Azure Cosmos DB