Dela via

Hämtning av utökad genererad (RAG) med vektorsökning och kunskapsdiagram med Hjälp av Azure Cosmos DB

  • Artikel
  • Gäller för:
    ✅ NoSQL

CosmosAIGraph är en innovativ lösning som använder kraften i Azure Cosmos DB för att skapa AI-baserade kunskapsdiagram. Den här tekniken integrerar avancerade grafdatabasfunktioner med AI för att ge en robust plattform för att hantera och köra frågor mot komplexa datarelationer. Genom att använda Cosmos DB:s skalbarhet och prestanda i både dokument- och vektorform möjliggör Cosmos AI Graph skapandet av avancerade datamodeller som kan besvara olika datafrågor och upptäcka dolda relationer och begrepp i halvstrukturerade data.

Frågor om kunskapsdiagram som hjälper dig att besvara

  • Komplexa relationsfrågor:

    • Fråga: "Vilka är de direkta och indirekta anslutningarna mellan person A och person B i ett socialt nätverk?"
    • Förklaring: Graph RAG kan passera diagrammet för att hitta alla sökvägar och relationer mellan två noder, vilket ger en detaljerad karta över anslutningar, vilket är svårt för Vector Search eftersom det inte har auktoritativ/kuraterad vy över relationer mellan entiteter.

  • Hierarkiska datafrågor:

    • Fråga: "Vad är organisationshierarkin från VD:n ner till de anställda på startnivå i det här företaget?"
    • Förklaring: Graph RAG kan effektivt navigera i hierarkiska strukturer och identifiera överordnade och underordnade relationer och nivåer i hierarkin, medan vektorsökning passar bättre för att hitta liknande objekt i stället för att förstå hierarkiska relationer.

  • Frågor om kontextuell sökväg:

    • Fråga: "Vilka är de steg som ingår i leveranskedjan från råvaruanskaffning till den slutliga produktleveransen?"
    • Förklaring: Graph RAG kan följa de specifika sökvägarna och beroendena i ett diagram för leveranskedjan, vilket ger en stegvis uppdelning. Vektorsökning, även om det är utmärkt att hitta liknande objekt, saknar förmågan att följa och förstå sekvensen med steg i en process.

När det gäller RAG (Retrieval Augmented Generation) kan en kombination av Kunskapsgrafer och Vektorsökning erbjuda kraftfulla funktioner som utökar antalet frågor som kan besvaras om data. Graph RAG förbättrar hämtningsprocessen genom att använda strukturerade relationer i ett diagram, vilket gör det idealiskt för program som kräver kontextuell förståelse och komplexa frågor, till exempel kunskapshanteringssystem och anpassad innehållsleverans. Å andra sidan utmärker sig Vector Search i att hantera ostrukturerade data och hitta likheter baserat på vektorinbäddningar, vilket är användbart för uppgifter som bild- och dokumenthämtning. Tillsammans kan dessa tekniker ge en omfattande lösning som kombinerar styrkan i både strukturerad och ostrukturerad databehandling.

Diagram över Cosmos AI Graph-infrastruktur, komponenter och flöde.

OmniRAG

CosmosAIGraph har OmniRAG, en mångsidig metod för datahämtning som dynamiskt väljer den lämpligaste metoden – oavsett om det är databasfrågor, vektormatchning eller kunskapsgrafbläddring – för att effektivt och med största noggrannhet besvara användarfrågor, eftersom det sannolikt kommer att samla in mer kontext och mer auktoritativ konext än någon av dessa källor skulle kunna göra på egen hand. Nyckeln till det här dynamiska valet är användar avsikten – som bestäms av användarfrågan med hjälp av enkel yttrandeanalys och/eller AI. Detta säkerställer att varje fråga hanteras med hjälp av den optimala tekniken, vilket förbättrar noggrannheten och effektiviteten. Till exempel skulle en användarfråga om hierarkiska relationer använda grafbläddering, medan en fråga om liknande dokument skulle använda vektorsökning, allt inom ett enhetligt ramverk som tillhandahålls av CosmosAIGraph. Med hjälp av orkestrering av inom RAG-processen kan dessutom mer än en källa användas för att samla in kontexten för AI, till exempel kunde grafen konsulteras med först och sedan för var och en av de entiteter som hittade att de faktiska databasposterna också kunde hämtas och om inga resultat hittades skulle vektorsökning sannolikt returnera nära matchande resultat. Den här holistiska metoden maximerar styrkan i varje hämtningsmetod och ger omfattande och sammanhangsberoende relevanta svar.

Exempel på användarfrågor och strategi som används

Användarfrågor Strategi
Vad är Python Flask-biblioteket DB RAG
Vilka är dess beroenden? Graph Rag
Vad är Python Flask-biblioteket DATABAS-RAG
Vilka är dess beroenden? Graph RAG
Vem är författaren? DB RAG
Vilka andra bibliotek skrev hon? Graph RAG
Visa en graf över alla hennes bibliotek och deras beroenden Graph RAG

Kom igång

CosmosAIGraph använder Azure Cosmos DB för att skapa AI-baserade grafer och kunskapsdiagram, vilket möjliggör avancerade datamodeller för program som rekommendationssystem och bedrägeriidentifiering. Den kombinerar traditionella databas-, vektordatabas- och grafdatabasfunktioner med AI för att effektivt hantera och köra frågor mot komplexa datarelationer. Kom igång här!

Relaterat innehåll

Gå vidare

Använda den kostnadsfria azure Cosmos DB-livstidsnivån