اكتشف كيف يجمع GraphRAG بين مخططات المعرفة و RAG لتعزيز استدلال LLM. تعلم كيفية إنشاء خطوط أنابيب متعددة الوسائط باستخدام Ultralytics والمنصة.
Graph Retrieval-Augmented Generation (GraphRAG) هو إطار عمل متقدم يدمج مخططات المعرفة المنظمة مع Retrieval Augmented Generation (RAG) لتعزيز قدرات الاستدلال والسياق بشكل كبير في نماذج اللغة الكبيرة (LLMs). من خلال تنظيم البيانات في عقد وحواف مترابطة بشكل واضح، يتيح GraphRAG لأنظمة الذكاء الاصطناعي فهم العلاقات المعقدة التي قد تفوتها عمليات استرجاع النصوص غير المنظمة التقليدية. يقلل هذا الأساس الهيكلي بشكل حاد من الهلوسة في نماذج اللغة الكبيرة (LLMs) ويوفر استجابات أكثر دقة للتطبيقات المؤسسية المعقدة، مثل تلك التي تم إنشاؤها باستخدام نماذج إنشاء النصوص من OpenAI. وقد اكتسب هذا النهج شعبية كبيرة مؤخرًا، حيث أبرزتالدراسات الأساسية من Microsoft قدرة GraphRAG على الإجابة على الأسئلة المعقدة متعددة القفزات عبر مجموعات بيانات خاصة ومتصلة بشكل كبير.
تعتمد أنظمة RAG القياسية بشكل أساسي على قواعد بيانات المتجهات والبحث الدلالي للعثور على المستندات بناءً على التشابه الرياضي باستخدام التضمينات. ورغم أن هذا فعال للغاية في الاستعلامات الوقائعية المباشرة، إلا أنه يواجه صعوبة في الاستدلال "متعدد القفزات" — الإجابة على الأسئلة التي تتطلب تجميع حقائق متميزة منتشرة عبر مستندات متعددة.
GraphRAG يسد هذه الفجوة من خلال رسم خريطة واضحة لكيفية ارتباط الكيانات ببعضها البعض. بدلاً من مجرد جلب أجزاء نصية متشابهة ، فإنه يتنقل في طوبولوجيا رسم بياني منظم. وهذا يجعله أفضل بكثير في التنقيب العميق في البيانات والاستنتاج المنطقي المعقد. بالنسبة للمهندسين والباحثين الذين يبنون خطوط الإنتاج هذه، توفرأدوات التنسيق مفتوحة المصدر مثل LangChain أطر عمل قوية لتكامل الرسوم البيانية لتبسيط عملية النشر.
GraphRAG تعمل على تغيير طريقة معالجة الصناعات للمعلومات الكثيفة والمترابطة:
يؤدي دمج الرؤية الحاسوبية في أنظمة GraphRAG إلى إدخال التعلم متعدد الوسائط، مما يسمح للذكاء الاصطناعي بـ"رؤية" العالم المادي وتحويله ديناميكيًا إلى بيانات هيكلية. من خلال استخدام نماذج الرؤية المتطورة مثل Ultralytics يمكن للمطورين استخراج الكائنات المادية تلقائيًا من الصور أو مقاطع الفيديو لتكون بمثابة عقد سياقية ضمن بنية GraphRAG الأوسع نطاقًا.
import torch
from ultralytics import YOLO
# Load the recommended Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")
# Run inference to extract visual objects for a GraphRAG pipeline
results = model("https://ultralytics.com/images/bus.jpg")
# Extract detected object classes to act as graph nodes
detected_classes = [model.names[int(c)] for c in results[0].boxes.cls]
nodes = torch.tensor([[i] for i in range(len(detected_classes))], dtype=torch.float)
print(f"Graph Nodes Extracted: {set(detected_classes)}")
# These visual entity nodes can now be linked in a graph database
بالنسبة للفرق التي تعمل على بناء هذه التطبيقات المتعددة الوسائط المعقدة، أصبحت إدارة مجموعات البيانات المرئية المخصصة المطلوبة أكثر بساطة بفضل استخدام Ultralytics التي توفر تدريبًا قويًا على السحابة وبدون الحاجة إلى كتابة أكواد برمجية ونشر النماذج. لاستكشاف الرياضيات الأساسية والمتجهات الكامنة وراء إنشاء الرسوم البيانية، ستوفر مراجعة الوثائقPyTorch حول المتجهات والغوص في الأوراق البحثية الحديثة لـ arXiv حول تطبيقات GraphRAG رؤى تقنية عميقة حول مستقبل الذكاء الاصطناعي.
