मानक RAG दस्तावेज़ों को प्राप्त करता है जो प्रश्न वेक्टर को चंक वेक्टर से मिलान करता है, जो "कौन से सेवा द्वारा भुगतान रीट्री लॉजिक का स्वामित्व है" जैसी स्थानीय क्वेरीज़ के लिए काम करता है। हालाँकि, "कौन से विफलता कारण सभी पोस्टमॉर्टम में सबसे अधिक दोहराते हैं" जैसी वैश्विक क्वेरीज़ को पूरे डेटासेट पर तर्कशक्ति की आवश्यकता होती है।
Graph RAG इस सीमा को दूर करता है द्वारा ज्ञान ग्राफ़ का निर्माण जो इकाइयों (सेवाएँ, टीमें, घटनाएँ) और उनके बीच के संबंधों को पकड़ता है। इससे जवाब पूरे कॉर्पस के पैटर्न से उभरते हैं, न कि एकल दस्तावेज़ों से।
Microsoft ने 8,000 और 64,000 टोकन कंटेक्स्ट के साथ Graph RAG को मानक वेक्टर रिट्रीवल के खिलाफ परीक्षण किया। वैश्विक प्रश्नों पर, बड़े खिड़ाए़ ने Graph RAG की व्यापकता, विविधता और स्रोत गुणवत्ता के साथ मेल खाला।
LinkedIn की ग्राहक सेवा टीम ने ज्ञान ग्राफ़-आधारित रिट्रीवल के कार्यान्वयन के बाद औसत प्रतिपूरक रैंक में 77.6% का सुधार और माध्य रिज़ॉल्यूशन समय में 28.6% की कमी रिपोर्ट की। Graph RAG दो ग्राफ़ बनाए रखता है: एक शब्द ग्राफ़ जो दस्तावेज़ों को चंक्स से जोड़ता है, और एक इकाई ग्राफ़ जो वर्णित अवधारणाओं को जोड़ता है।
मुख्य इकाइयाँ: कंपनियाँ: Microsoft, LinkedIn, Neo4j, ByteByteGo
स्रोत: ByteByteGo · HeadlinesBriefing द्वारा सारांशित