Compartir a través de

Recuperación aumentada generada (RAG) con gráficos de conocimiento y búsqueda de vectores mediante Azure Cosmos DB

  • Artículo
  • Se aplica a:
    ✅ NoSQL

CosmosAIGraph es una solución innovadora que aplica la eficacia de Azure Cosmos DB para crear gráficos de conocimiento con tecnología de inteligencia artificial. Esta tecnología integra funcionalidades avanzadas de base de datos de grafos con inteligencia artificial para proporcionar una plataforma sólida a fin de administrar y consultar relaciones de datos complejas. Mediante el uso de la escalabilidad y el rendimiento de Cosmos DB en documentos y vectores, Cosmos AI Graph permite crear modelos de datos sofisticados que pueden responder a diversas preguntas de datos y descubrir relaciones y conceptos ocultos en datos semiestructurados.

Preguntas que los gráficos de conocimiento ayudan a responder

  • Consultas de relaciones complejas:

    • Pregunta: "¿Cuáles son las conexiones directas e indirectas entre la persona A y la persona B dentro de una red social?"
    • Explicación: Graph RAG puede recorrer el grafo para buscar todas las rutas de acceso y las relaciones entre dos nodos, y proporcionar un mapa detallado de las conexiones, lo que es difícil para el vector de búsqueda, ya que carece de una vista autoritativa o mantenida de las relaciones entre entidades.

  • Consultas de datos jerárquicas:

    • Pregunta: "¿Cuál es la jerarquía organizativa del CEO hasta los empleados de nivel de entrada de esta empresa?"
    • Explicación: Graph RAG puede navegar eficazmente por estructuras jerárquicas, e identificar relaciones y niveles primarios y secundarios dentro de la jerarquía, mientras que la búsqueda vectorial es más adecuada para buscar elementos similares en lugar de comprender las relaciones jerárquicas.

  • Consultas de ruta de acceso contextual:

    • Pregunta: "¿Cuáles son los pasos implicados en la cadena de suministro desde la adquisición de materias primas hasta la entrega final del producto?"
    • Explicación: Graph RAG puede seguir las rutas de acceso y las dependencias específicas dentro de un grafo de la cadena de suministro, lo que proporciona un desglose paso a paso. La búsqueda de vectores, aunque es excelente para encontrar elementos similares, carece de la capacidad de seguir y comprender la secuencia de pasos de un proceso.

En lo que respecta a la generación aumentada de recuperación (RAG), la combinación de gráficos de conocimiento y búsqueda de vectores puede ofrecer funcionalidades eficaces que amplían la gama de preguntas que se pueden responder sobre los datos. Graph RAG mejora el proceso de recuperación mediante el uso de las relaciones estructuradas dentro de un grafo, lo que lo convierte en ideal para las aplicaciones que necesitan comprensión contextual y consultas complejas, como los sistemas de administración de conocimientos y de entrega de contenido personalizados. Por otro lado, la búsqueda de vectores destaca en el control de datos no estructurados y la búsqueda de similitudes basadas en inserciones de vectores, lo que resulta útil para tareas como las de recuperación de imágenes y documentos. De manera conjunta, estas tecnologías pueden proporcionar una solución completa que combina los puntos fuertes del procesamiento de datos estructurados y no estructurados.

Diagrama de la infraestructura, los componentes y el flujo de Cosmos AI Graph.

OmniRAG

CosmosAIGraph ofrece OmniRAG, un enfoque versátil para la recuperación de datos que selecciona dinámicamente el método más adecuado, ya sean consultas de base de datos, coincidencia de vectores o el recorrido del grafo de conocimiento, para responder a las consultas del usuario de forma eficaz y con la máxima precisión, ya que probablemente recopilará más contexto y más autoritativo que cualquiera de estos orígenes por sí mismo. La clave de esta selección dinámica es la intención del usuario, que se determina a partir de su pregunta mediante el análisis de expresiones simples o la inteligencia artificial. Esto garantiza que cada consulta se solucione mediante la técnica óptima, lo que mejora la precisión y la eficacia. Por ejemplo, una consulta de usuario sobre las relaciones jerárquicas usaría un recorrido de grafo, mientras que una consulta sobre documentos similares emplearía la búsqueda vectorial, todo ello dentro de un marco unificado proporcionado por CosmosAIGraph. Además, con la ayuda de la orquestación de dentro del proceso RAG, se podría usar más de un origen para recopilar el contexto de la inteligencia artificial, por ejemplo, el gráfico podría consultarse primero y, a continuación, para cada una de las entidades que encontraron los registros reales de la base de datos también podría extraerse y, si no se encontraran resultados, la búsqueda vectorial probablemente devolvería resultados estrechamente coincidentes. Este enfoque holístico maximiza los puntos fuertes de cada método de recuperación, y ofrece respuestas completas y contextualmente relevantes.

Preguntas y estrategias de usuario de ejemplo usadas

Preguntas del usuario Estrategia
¿Qué es la biblioteca Flask de Python? DB RAG
¿Cuáles son sus dependencias? Graph Rag
¿Qué es la biblioteca Flask de Python? Base de datos RAG
¿Cuáles son sus dependencias? Graph RAG
Quién es el autor DB RAG
¿Qué otras bibliotecas ha escrito? Graph RAG
Mostrar un gráfico de todas sus bibliotecas y sus dependencias Graph RAG

Introducción

CosmosAIGraph aplica Azure Cosmos DB para crear gráficos con tecnología de inteligencia artificial y gráficos de conocimiento, lo que permite modelos de datos sofisticados para aplicaciones como sistemas de recomendaciones y detección de fraudes. Combina las funcionalidades tradicionales de base de datos, bases de datos vectoriales y bases de datos de grafos con inteligencia artificial para administrar y consultar relaciones de datos complejas de forma eficaz. Empiece aquí.

Contenido relacionado

Paso siguiente

Uso del nivel gratis de duración ilimitada de Azure Cosmos DB