Augmented Generated (RAG) ophalen met vectorzoekopdrachten en kennisgrafieken met behulp van Azure Cosmos DB

• Van toepassing op:

  ✅ NoSQL

CosmosAIGraph is een innovatieve oplossing die de kracht van Azure Cosmos DB toepast om ai-kennisgrafieken te maken. Deze technologie integreert geavanceerde graafdatabasemogelijkheden met AI om een robuust platform te bieden voor het beheren en opvragen van complexe gegevensrelaties. Door gebruik te maken van de schaalbaarheid en prestaties van Cosmos DB in zowel document- als vectorvorm, maakt Cosmos AI Graph het mogelijk om geavanceerde gegevensmodellen te maken die verschillende gegevensvragen kunnen beantwoorden en verborgen relaties en concepten in semi-gestructureerde gegevens kunnen ontdekken.

Vragen over kennisgrafieken die u kunt beantwoorden

• Complexe relatiequery's:

  • Vraag: "Wat zijn de directe en indirecte verbindingen tussen persoon A en persoon B binnen een sociaal netwerk?"
  • Uitleg: Graph RAG kan de grafiek doorkruisen om alle paden en relaties tussen twee knooppunten te vinden, waardoor een gedetailleerde kaart met verbindingen wordt geboden, wat moeilijk is voor Vector Search omdat deze geen gezaghebbende/gecureerde weergave van relaties tussen entiteiten heeft.

• Hiërarchische gegevensquery's:

  • Vraag: "Wat is de hiërarchie van de organisatie van de CEO tot de werknemers op entry-level in dit bedrijf?"
  • Uitleg: Graph RAG kan efficiënt navigeren in hiërarchische structuren, het identificeren van bovenliggende en onderliggende relaties en niveaus in de hiërarchie, terwijl Vector Search meer geschikt is voor het vinden van vergelijkbare items in plaats van hiërarchische relaties te begrijpen.

• Contextuele padquery's:

  • Vraag: "Wat zijn de stappen in de toeleveringsketen van inkoop van grondstoffen tot de levering van eindproducten?"
  • Uitleg: Graph RAG kan de specifieke paden en afhankelijkheden in een toeleveringsketengrafiek volgen, wat een stapsgewijze uitsplitsing biedt. Vector Search, terwijl het uitstekend is om vergelijkbare items te vinden, ontbreekt de mogelijkheid om de volgorde van stappen in een proces te volgen en te begrijpen.

Als het gaat om het ophalen van Augmented Generation (RAG), kan het combineren van Knowledge Graphs en Vector Search krachtige mogelijkheden bieden die het bereik van vragen uitbreiden die kunnen worden beantwoord over de gegevens. Graph RAG verbetert het ophaalproces met behulp van de gestructureerde relaties in een grafiek, waardoor het ideaal is voor toepassingen die contextueel inzicht en complexe query's vereisen, zoals kennisbeheersystemen en gepersonaliseerde contentlevering. Aan de andere kant exceleert Vector Search in het verwerken van ongestructureerde gegevens en het vinden van overeenkomsten op basis van vectorinsluitingen, wat handig is voor taken zoals het ophalen van afbeeldingen en documenten. Samen kunnen deze technologieën een uitgebreide oplossing bieden die de sterke punten van gestructureerde en ongestructureerde gegevensverwerking combineert.

OmniRAG

CosmosAIGraph biedt OmniRAG, een veelzijdige benadering van het ophalen van gegevens die dynamisch de meest geschikte methode selecteert, zoals databasequery's, vectorkoppeling of doorkruising van kennisgrafieken, om gebruikersquery's effectief en met de grootst mogelijke nauwkeurigheid te beantwoorden, omdat het waarschijnlijk meer context en meer gezaghebbende conext zal verzamelen dan een van deze bronnen op zichzelf zou kunnen. De sleutel tot deze dynamische selectie is de gebruikersintentie, die is bepaald op basis van de gebruikersvraag met behulp van eenvoudige uitingsanalyse en/of AI. Dit zorgt ervoor dat elke query wordt aangepakt met behulp van de optimale techniek, waardoor de nauwkeurigheid en efficiëntie worden verbeterd. Een gebruikersquery over hiërarchische relaties zou bijvoorbeeld gebruikmaken van grafiekkruising, terwijl een query over vergelijkbare documenten vectorzoekopdrachten zou gebruiken, allemaal binnen een uniform framework dat door CosmosAIGraph wordt geleverd. Bovendien kan, met behulp van indeling binnen RAG-proces, meer dan één bron worden gebruikt om de context voor AI te verzamelen, bijvoorbeeld de grafiek kan eerst worden geraadpleegd en vervolgens voor elk van de entiteiten gevonden dat de werkelijke databaserecords ook kunnen worden opgehaald en als er geen resultaten zijn gevonden, zou vectorzoekactie waarschijnlijk nauw overeenkomende resultaten opleveren. Deze holistische benadering maximaliseert de sterke punten van elke ophaalmethode, waarbij uitgebreide en contextuele relevante antwoorden worden geleverd.

Voorbeeld van gebruikersvragen en -strategie die wordt gebruikt

Gebruikersvragen	Strategie
Wat is de Python Flask-bibliotheek?	DB RAG
Wat zijn de afhankelijkheden?	Grafiek rag
Wat is de Python Flask-bibliotheek?	Database RAG
Wat zijn de afhankelijkheden?	Grafiek RAG
Wie is de auteur?	DB RAG
Wat andere bibliotheken heeft ze geschreven	Grafiek RAG
Een grafiek van al haar bibliotheken en hun afhankelijkheden weergeven	Grafiek RAG

Aan de slag

CosmosAIGraph past Azure Cosmos DB toe om met AI gemaakte grafieken en kennisgrafieken te maken, waardoor geavanceerde gegevensmodellen mogelijk zijn voor toepassingen zoals aanbevelingssystemen en fraudedetectie. Het combineert traditionele database-, vectordatabase- en grafiekdatabasemogelijkheden met AI om complexe gegevensrelaties efficiënt te beheren en op te vragen. Ga hier aan de slag !

Gerelateerde inhoud

• CosmosAIGraph op Azure Cosmos DB TV - YouTube
• Vector Search met Azure Cosmos DB voor NoSQL
• Tokens
• Vector Embeddings
• Augmented Generated ophalen (RAG)
• Gratis proefversie van 30 dagen zonder Azure-abonnement
• Gratis proefversie van 90 dagen en maximaal $ 6.000 aan doorvoertegoed met Azure AI-voordeel

Volgende stap

De gratis laag voor de levensduur van Azure Cosmos DB gebruiken