Le Génération Augmentée par Récupération (RAG) est le cas d'utilisation de LLM le plus répandu dans les organisations. En vectorisant les documents et en récupérant des fragments sémantiquement similaires au moment de la requête, le RAG atténue les hallucinations, fonde les réponses et contourne les coupures de connaissances statiques imposées par le pré-entraînement du modèle. Cependant, le RAG standard basé sur les vecteurs rencontre des limitations pour les requêtes complexes nécessitant un contexte global, un raisonnement multi-sauts ou une agrégation inter-documents.

Graph RAG résout ce problème en passant de la récupération de documents plats à la récupération de connaissances structurées. Il intègre les Graphes de Connaissances (KG), où les données sont stockées sous forme de Nœuds (Entités), d'Arêtes (Relations) et de Propriétés, dans le pipeline RAG. Cela combine les capacités de correspondance sémantique et floue des LLM modernes avec le raisonnement structuré et déterministe des KG.

L'article explore six patterns architecturaux distincts de Graph RAG, avec leurs avantages, inconvénients et cas d'utilisation. Les composants principaux incluent l'Extraction d'Informations utilisant les LLM pour la Reconnaissance d'Entités Nommées et l'Extraction de Relations, le Stockage de Graphe dans des bases de données comme Neo4j, les Mécanismes de Récupération, et la Génération où les données de graphe récupérées sont injectées dans la fenêtre de contexte du LLM.

Le terme « Graph RAG » est un terme générique pour plusieurs patterns architecturaux fondamentalement différents. Le choix du bon pattern dépend des schémas de requête de l'utilisateur, du coût du système, de la latence et des exigences de capacité.

Entités Clés : Entreprises : Towards Data Science, Neo4j, Nebula Graph, Memgraph

FAQ : Quels sont les composants principaux d'un pipeline Graph RAG ?

Un pipeline Graph RAG nécessite quatre composants fondamentaux : l'Extraction d'Informations utilisant les LLM pour la Reconnaissance d'Entités Nommées et l'Extraction de Relations, le Stockage de Graphe dans des bases de données comme Neo4j ou Nebula Graph, les Mécanismes de Récupération pour l'interaction de l'utilisateur avec le graphe, et la Génération où les données de graphe récupérées sont injectées dans la fenêtre de contexte du LLM pour synthétiser des réponses fondées.