Condividi tramite

Creare grafici delle conoscenze di intelligenza artificiale con Azure Cosmos DB con generazione aumentata di recupero (RAG)

  • Si applica a: ✅ NoSQL

CosmosAIGraph è una soluzione innovativa che applica la potenza di Azure Cosmos DB per creare grafici delle conoscenze basati su 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, CosmosAIGraph consente la creazione di modelli di dati sofisticati che possono rispondere a varie domande sui dati e scoprire relazioni e concetti nascosti in dati semistrutturati.

I grafici delle informazioni sulle domande consentono di rispondere

Interrogazioni 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 di livello dell'evento, in questa azienda?"
  • Spiegazione: Graph RAG può esplorare in modo efficiente le strutture gerarchica, identificando relazioni padre-figlio e livelli all'interno della gerarchia, mentre la ricerca vettoriale è più adatta per trovare elementi simili anziché comprendere le relazioni gerarchica.

Interrogazioni di percorso contestuale

  • Domanda: "Quali sono i passaggi coinvolti nella supply chain dall'approvvigionamento 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, mentre eccellente per trovare elementi simili, manca la capacità di seguire e comprendere la sequenza di passaggi in un processo.

Quando si tratta di RAG, la combinazione di grafici delle conoscenze e ricerca vettoriale può offrire potenti funzionalità 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 presenta OmniRAG, un approccio versatile al recupero dei dati che seleziona dinamicamente il metodo più adatto, sia che si tratti di query su database, corrispondenza vettoriale o traversata di un grafo della conoscenza, per rispondere alle query degli utenti in modo efficace e con la massima precisione, poiché probabilmente raccoglie più contesto e un contesto più autorevole rispetto a quanto potrebbe fare ciascuna di queste fonti singolarmente.

La chiave per questa selezione dinamica è la finalità dell'utente, determinata dalla domanda dell'utente usando l'analisi di espressioni semplice o l'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 all'interno del processo RAG, è possibile usare più di un'origine per raccogliere il contesto per l'intelligenza artificiale. Ad esempio, è possibile consultare prima il grafico e quindi per ognuna delle entità trovate è possibile eseguire il pull dei record di database effettivi e, se non sono stati trovati risultati, la ricerca vettoriale restituirà probabilmente risultati corrispondenti. Questo approccio olistico ottimizza i punti di forza di ogni metodo di recupero, offrendo risposte complete e contestualmente pertinenti.

Domande e strategie utente di esempio utilizzate

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

Introduzione

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 raccomandazione 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. Per iniziare, vedere il repository CosmosAIGraph.

Contenuti correlati

Passaggio successivo

Usare il livello gratuito di durata di Azure Cosmos DB

  • Last updated on