গত বছরে, AI রিট্রিভাল আর্কিটেকচার বিশ্লেষক রিপোর্ট এবং প্রযুক্তিগত ব্লগে একটি গরম বিষয় হয়ে উঠেছে। আমি একটি ল্যাপটপে চারটি ভিন্ন পদ্ধতি তৈরি করেছিলাম যাতে বুঝতে পারি নলেজ গ্রাফ যোগ করলে কি উত্তর গুণগতভাবে উন্নত হয়। ডেটাসেটটি সচেতনভাবে ছোট রাখা হয়েছিল, যা Anthropic-এর gầnে প্রকাশিত AI নিরাপত্তা সম্পর্কিত দুটি নিবন্ধ এবং একটি মূল্যায়ন প্রশ্নের সেট নিয়ে গঠিত। আমার লক্ষ্য ছিল একটি সর্বব্যাপী শ্রেষ্ঠ আর্কিটেকচার চিহ্নিত করা নয়, বরং একই তথ্যের সাথে বিভিন্ন রিট্রিভাল পদ্ধতির আচরণ বোঝা।

তুলনাকে ন্যায্য রাখতে, আমি Microsoft-এর Phi-4 ভাষা মডেল (১৪ বিলিয়ন প্যারামিটার) ব্যবহার করেছিলাম উত্তর জেনারেশনের জন্য, যা Ollama-এর মাধ্যমে Thinkpad-এ লোকালি চালানো হয়েছিল। all-Mini LM-L6-v2 এম্বেডিং মডেল সিমান্টিক সার্চ চালাচ্ছিল। নলেজ গ্রাফ স্টোরেজ এবং কোয়ারির জন্য, আমি উৎস উপাদান থেকে নিষ্কাশিত エンティটি এবং সম্পর্ক পরিচালনার জন্য Neo4j ব্যবহার করেছিলাম। Claude Haiku 4.5 ব্যবহার করে একটি ফ্রন্টিয়ার মডেল পদ্ধতি অতিরিক্ত তুলনা প্রদান করেছিল।

ফলাফল স্পষ্ট ছিল: ফ্রন্টিয়ার মডেল সামগ্রিকভাবে সবচেয়ে শক্তিশালী উত্তর তৈরি করেছিল। যাইহোক, Graph RAG নির্দিষ্ট প্রশ্নের ধরনগুলিতে সतতভাবে سنتগত RAG-এর চেয়ে ভাল পারফর্ম করেছিল। ফলাফলগুলো হাইলাইট করেছিল যে একটি গ্রাফের মূল্য সমাধান করা নির্দিষ্ট সমস্যার ওপর খুব বেশি নির্ভর করে। এই পরীক্ষাটি প্র্যাক্টিক্যাল ইনসাইট দেয় যে Graph RAG-এর অতিরিক্ত জটিলতা কখন যৌক্তিক এবং কখন سنتগত পদ্ধতিই পর্যাপ্ত হতে পারে।

মূল エン্টিটি: কোম্পানি: Microsoft, Neo4j, Anthropic, Ollama