Observação
O acesso a essa página exige autorização. Você pode tentar entrar ou alterar diretórios.
O acesso a essa página exige autorização. Você pode tentar alterar os diretórios.
O CosmosAIGraph é uma solução inovadora que aplica o poder do Azure Cosmos DB para criar grafos de conhecimento alimentados por IA. Essa tecnologia integra recursos avançados de banco de dados de grafo com IA para fornecer uma plataforma robusta para gerenciar e consultar relacionamentos de dados complexos. Utilizando a escalabilidade e o desempenho do Cosmos DB no formato de documento e vetor, o Cosmos AI Graph permite a criação de modelos de dados sofisticados que podem responder a várias perguntas de dados e descobrir relações ocultas e conceitos em dados semiestruturados.
Perguntas que os grafos de conhecimento ajudam a responder
Consultas complexas de relacionamento:
- Pergunta: "Quais são as conexões diretas e indiretas entre a Pessoa A e a Pessoa B em uma rede social?"
- Explicação: o RAG do Graph pode percorrer o grafo para encontrar todos os caminhos e relações entre dois nós, fornecendo um mapa detalhado de conexões, o que é difícil para a Busca em Vetores, pois ele não tem uma exibição autoritativa/curada das relações entre entidades.
Consultas de dados hierárquicos:
- Pergunta: "Qual é a hierarquia organizacional desde o CEO até os funcionários de nível básico nesta empresa?"
- Explicação: o Graph RAG pode navegar com eficiência pelas estruturas hierárquicas, identificando níveis e relacionamentos pai-filho dentro da hierarquia, enquanto a busca em vetores é mais adequada para encontrar itens semelhantes do que entender os relacionamentos hierárquicos.
Consultas de caminhos contextualizadas:
- Pergunta: "Quais são as etapas envolvidas na cadeia de fornecedores, desde a aquisição da matéria-prima até a entrega do produto final?"
- Explicação: o Graph RAG pode seguir os caminhos e dependências específicos dentro de um gráfico da cadeia de fornecedores, oferecendo um detalhamento passo a passo. A busca em vetores, embora excelente para encontrar itens semelhantes, não tem a capacidade de seguir e entender a sequência de etapas de um processo.
Quando se trata de RAG (Geração Aumentada de Recuperação), a combinação de gráficos de conhecimento e busca em vetores pode oferecer recursos poderosos que expandem a gama de perguntas que podem ser respondidas sobre os dados. O Graph RAG aprimora o processo de recuperação usando os relacionamentos estruturados em um gráfico, tornando-o ideal para aplicativos que exigem reconhecimento contextual e consultas complexas, como sistemas de gerenciamento de conhecimento e entrega de conteúdo personalizado. Por outro lado, a busca em vetores se destaca na administração de dados não estruturados e na localização de semelhanças com base em incorporações de vetores, o que é útil para tarefas como recuperação de imagens e documentos. Juntas, essas tecnologias podem oferecer uma solução abrangente que combina os pontos fortes do processamento de dados estruturados e não estruturados.
OmniRAG
O CosmosAIGraph apresenta o OmniRAG, uma abordagem versátil para a recuperação de dados que seleciona dinamicamente o método mais adequado – sejam consultas de banco de dados, correspondência de vetores ou travessia de grafo de conhecimento – para responder a consultas de usuário de forma eficaz e com precisão máxima, pois ele provavelmente reunirá mais contexto e contexto mais autoritativo do que qualquer uma dessas fontes poderia por conta própria. A chave para esta seleção dinâmica é a intenção do usuário – determinada a partir da pergunta do usuário usando análise de enunciado simples e/ou IA. Isso garante que cada consulta seja atendida usando a técnica ideal, aumentando a precisão e a eficiência. Por exemplo, uma consulta de usuário sobre relacionamentos hierárquicos utilizaria travessia de grafos, enquanto uma consulta sobre documentos semelhantes empregaria busca em vetores, tudo dentro de uma estrutura unificada fornecida pelo CosmosAIGraph. Além disso, com a ajuda da orquestração do processo RAG, mais de uma fonte pode ser usada para coletar o contexto para IA, por exemplo, o gráfico pode ser consultado primeiro e, em seguida, para cada uma das entidades encontradas, os registros reais do banco de dados também podem ser extraídos e, se nenhum resultado for encontrado, a busca em vetores provavelmente retornará resultados muito próximos. Essa abordagem holística maximiza os pontos fortes dos métodos de recuperação, fornecendo respostas abrangentes e contextualmente relevantes.
Exemplo de perguntas do usuário e estratégia usada
Perguntas do usuário | Estratégia |
---|---|
O que é a biblioteca Python Flask | RAG do BD |
Quais são suas dependências | Graph Rag |
O que é a biblioteca Python Flask | RAG de Banco de dados |
Quais são suas dependências | Graph RAG |
Quem é o autor | RAG do BD |
Quais outras bibliotecas ela escreveu | Graph RAG |
Exibir um gráfico de todas as bibliotecas dela e suas dependências | Graph RAG |
Comece
O CosmosAIGraph aplica o Azure Cosmos DB para criar gráficos impulsionados por IA e gráficos de conhecimento, permitindo modelos de dados sofisticados para aplicativos como sistemas de recomendação e detecção de fraude. Ele combina recursos tradicionais de banco de dados, banco de dados de vetores e banco de dados de grafo com IA para gerenciar e consultar relacionamentos de dados complexos com eficiência. Comece aqui!
Conteúdo relacionado
- CosmosAIGraph na Azure Cosmos DB TV – YouTube
- Busca em vetores do Azure Cosmos DB for NoSQL
- Tokens
- Inserções de vetor
- Recuperação Aumentada Gerada (RAG)
- Avaliação gratuita de 30 dias sem uma assinatura do Azure
- Avaliação gratuita de 90 dias e até US$ 6.000 em créditos de processamento com o Azure AI Advantage