GraphRAG

La generazione aumentata dal recupero tramite grafo (GraphRAG) è un framework avanzato che integra grafi della conoscenza strutturati con la generazione aumentata dal recupero (RAG) per migliorare significativamente le capacità di ragionamento e contestualizzazione dei modelli linguistici di grandi dimensioni (LLMs). Organizzando i dati in nodi e archi esplicitamente interconnessi, GraphRAG consente ai sistemi di IA di comprendere relazioni complesse che il recupero tradizionale di testo non strutturato potrebbe non rilevare. Questo ancoraggio strutturale riduce notevolmente le allucinazioni negli LLM e fornisce risposte più accurate per applicazioni aziendali complesse. L'approccio ha guadagnato enorme popolarità dopo che Microsoft Research ha dimostrato GraphRAG su dati narrativi privati, mostrando che può rispondere a domande complesse con più passaggi di ragionamento su dataset privati e altamente connessi.

GraphRAG e RAG tradizionale#

I sistemi RAG standard si basano principalmente su database vettoriali e ricerca semantica per trovare documenti sulla base della somiglianza matematica tra embedding. Questo approccio è molto efficace per le domande fattuali dirette, ma ha difficoltà con il ragionamento «a più passaggi», ovvero con le domande che richiedono di mettere insieme fatti distinti sparsi in più documenti.

GraphRAG colma questa lacuna mappando esplicitamente le relazioni tra le entità. Invece di recuperare semplicemente frammenti di testo simili, esplora una topologia a grafo strutturata. Questo lo rende molto più efficace per il data mining approfondito e le deduzioni logiche complesse. Per gli ingegneri e i ricercatori che creano queste pipeline di ragionamento, strumenti di orchestrazione open source come LangChain offrono integrazioni con basi di conoscenza che semplificano la distribuzione.

Applicazioni nel mondo reale#

GraphRAG sta trasformando il modo in cui i settori elaborano informazioni dense e interconnesse:

• Ricerca clinica e scoperta di farmaci: nell'IA in ambito sanitario, GraphRAG accelera la ricerca collegando sintomi, malattie, proteine e composti chimici. Gli agenti di IA in ambito medico possono esplorare queste connessioni in enormi database come il repository di letteratura biomedica PubMed per prevedere nuovi bersagli farmacologici o riassumere le cascate dei processi patologici.
• Rilevamento delle frodi finanziarie: le attività fraudolente si nascondono spesso in reti complesse di società di comodo e transazioni ad alta frequenza. GraphRAG consente agli analisti di interrogare i dati finanziari in linguaggio naturale e tracciare relazioni nascoste per riassumere reti sospette che sfuggirebbero facilmente ai normali modelli di rilevamento delle anomalie. Piattaforme di infrastruttura a grafo gestita come Amazon Neptune e le soluzioni aziendali di Neo4j per il rilevamento delle frodi vengono spesso impiegate per supportare queste indagini basate sull'IA.

Creazione di pipeline GraphRAG multimodali#

Integrare la visione artificiale nei sistemi GraphRAG introduce l'apprendimento multimodale, permettendo all'IA di «vedere» e mappare dinamicamente il mondo fisico in dati strutturali. Utilizzando modelli di visione all'avanguardia come Ultralytics YOLO26, gli sviluppatori possono estrarre automaticamente oggetti fisici da immagini o flussi video, per usarli come nodi contestuali all'interno di un'architettura GraphRAG più ampia.

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]

print(f"Graph Nodes Extracted: {set(detected_classes)}")
# These visual entity nodes can now be linked in a graph database

Per i team che sviluppano queste complesse applicazioni multimodali, la gestione dei dataset personalizzati di visione è molto più semplice con la Ultralytics Platform, che offre potenti funzionalità cloud senza codice per l'addestramento e la distribuzione dei modelli. Per i dettagli di implementazione, il documento From Local to Global: A Graph RAG Approach to Query-Focused Summarization descrive come i grafi di entità estratti dagli LLM e i riepiloghi delle comunità rispondano a domande sull'intero corpus, un approccio che sta plasmando il futuro dell'intelligenza artificiale.