グラフデータベースプロバイダ Neo4jは,グラフ技術によってAIモデルやエージェントが 幻覚や作り話やユーザーの質問に対する 誤った答えを生むのを防ぐことができると述べています.
会社はこの6月に arXivで公開された 最近の学術論文を参考にした. 題名は"単純なグラフベースの検索強化生成を使用して複雑な質問への回答における幻覚を減らす"その主張を正当化する.
論文の要約は,研究が専用のツールセットを通じてRAG (リトリバール増強生成) サブシステムをサポートするために,簡単なグラフスキーマを持つ軽量なグラフ構造を採用することを探求していると記している.研究チームは様々なベクトル検索とグラフクエリツールで 装備されたエージェントシステムを作りましたシステムパフォーマンスを評価した.複雑なクエリの回答タスクのためのWikipedia QAのベンチマーク.
研究者はLLMに対して複雑な質問を提起しました. ファースト,セカンド,第3次イギリス-オランダ戦争におけるオランダとイギリスの間の戦いの名前を挙げられますか?そして,すべての戦いの勝者をリストします.♪♪
この質問に答えるには,同時に複数のエンティティ,複数のホップの推論,クロスドキュメントへのアクセスを含む 洗練された検索と推論能力が必要ですこの研究は,このような複雑な問いかけが,現在の最先端のLLMベースのシステムにとって大きな課題であることを指摘しています..
LLMの3つの設定でテストし,結果を分析しました.
1. ベクトル+グラフ RAG:外部知識データベースの取得を最適化するために,事前に定義されたツールを持つ統一ベクトルとグラフデータベースを採用します.
2シンプルベクトル RAG
3RAGの強化なしでゼロショットLLM
標準ベクトルRAGに基礎的なグラフベースの知識基盤とマッチングツールを統合することで,AI幻覚を大幅に減少させることが確認されています.完全に排除することはできませんが粗略な真実度スコアはゼロショットのLLMでは約−127からベクトル+グラフRAGでは−49に改善した.
さらに,ハイブリッドアプローチはスタンドアロンベクトルRAGを大幅に上回ります.部分的に正しい回答が評価に含まれると,ベクトル+グラフ RAG は 3 つのテストシナリオの中で最高スコアを達成純ベクトルRAGよりも80%高い. 具体的な精度と,ベクトルのみのRAGシステムの2倍以上の記憶力がある.
概して,提案された解決策は,精度と記憶の両方を向上させ,幻覚を抑制し,LLMベースのQAシステムの信頼性と信頼性を向上させる可行な道を提供します.
研究の技術的な詳細については 原稿を読む.
北京・チアンシン・ジテング・テクノロジー株式会社
サンディ・ヤン/グローバル戦略ディレクター
WhatsApp / ウェイチャット: +86 13426366826
メール: yangyd@qianxingdata.com
ウェブサイト:www.qianxingdata.com/www.storagesserver.com
ビジネス フォーカス
ICT製品配布/システム統合とサービス/インフラストラクチャソリューション
20年以上のIT販売経験を持つ私たちは 信頼性の高い製品とプロフェッショナルなサービスを提供するために グローバルブランドと提携しています
テクノロジーを使ってインテリジェントな世界を作ろう あなたの信頼できるICT製品サービスプロバイダー!
メッセージは20〜3,000文字にする必要があります。
Japanese
