Ο πάροχος βάσεων δεδομένων γραφικών Neo4j δηλώνει ότι η τεχνολογία γραφικών μπορεί να αποτρέψει τα μοντέλα και τους πράκτορες AI από την παραγωγή ψευδών απαντήσεων στα ερωτήματα των χρηστών.
Η εταιρεία έκανε αναφορά σε μια πρόσφατη ακαδημαϊκή εργασία που κυκλοφόρησε στο arXiv τον Ιούνιο, με τίτλο Μείωση των ψευδαισθήσεων στην απάντηση σύνθετων ερωτήσεων χρησιμοποιώντας απλή γενιά αναζήτησης με αυξημένη γενιά,που επικυρώνει την αξίωσή του.
Η μελέτη διερευνά την υιοθέτηση μιας ελαφρής δομής γραφήματος με ένα απλό σχήμα γραφήματος για την υποστήριξη του υποσυστήματος RAG (Retrieval-Augmented Generation) μέσω ενός ειδικού συνόλου εργαλείων.Η ερευνητική ομάδα δημιούργησε ένα αντιπροσωπευτικό σύστημα εξοπλισμένο με διάφορα εργαλεία αναζήτησης διανυσμάτων και γραφήματος, που λειτουργεί με βάση δομημένα δεδομένα που προέρχονται από επιλεγμένα άρθρα της αγγλικής Wikipedia.ένα προκλητικό κριτήριο αξιολόγησης ποιότητας της Wikipedia για εργασίες απάντησης σε σύνθετα ερωτήματα.
Οι ερευνητές έθεσαν ένα περίπλοκο ερώτημα για τους LLM: Μπορείτε να ονομάσετε όλες τις μάχες μεταξύ Ολλανδών και Άγγλων στον Πρώτο, Δεύτερο και Τρίτο Αγγλο-Ολλανδικό Πόλεμο,και να απαριθμήσει τον νικητή κάθε μάχης- Δεν ξέρω.
Η απάντηση σε αυτό το ερώτημα απαιτεί εξελιγμένες δυνατότητες ανάκτησης και συλλογισμού, συμπεριλαμβανομένων των ταυτόχρονων πολλαπλών οντοτήτων, του συλλογισμού πολλαπλών αναπηριών και της πρόσβασης στα διασταυρούμενα έγγραφα.Η μελέτη επισημαίνει ότι τέτοιες πολύπλοκες ερωτήσεις θέτουν μεγάλες προκλήσεις για τα σημερινά συστήματα που βασίζονται στο state-of-the-art.
Η ομάδα εξέτασε το ερώτημα σε τρία συστήματα LLM και ανέλυσε τα αποτελέσματα:
1. Vector+graph RAG: υιοθετεί μια ενοποιημένη βάση δεδομένων διανυσμάτων και γραφημάτων με προκαθορισμένα εργαλεία για τη βελτιστοποίηση της ανάκτησης της εξωτερικής βάσης γνώσεων.
2. Απλός διανυσματικός RAG
3- Ακατάλληλο για LLM χωρίς RAG.
Τα ευρήματα της έκθεσης επιβεβαιώνουν ότι η ενσωμάτωση μιας βασικής βάσης γνώσεων που βασίζεται σε γραφήματα και τα εργαλεία αντιστοίχισης σε τυποποιημένα vector RAG μπορούν να μειώσουν σημαντικά τις ψευδαισθήσεις AI,Αν και δεν μπορεί να τους εξαλείψει εντελώς.Η βαθμολογία αλήθειας βελτιώθηκε από περίπου -127 για τα LLM μηδενικής λήψης σε -49 για το vector + graph RAG.
Επιπλέον, η υβριδική προσέγγιση ξεπερνά σημαντικά την RAG του ανεξάρτητου φορέα.το vector+graph RAG επιτυγχάνει την υψηλότερη βαθμολογία μεταξύ των τριών σενάριων δοκιμήςΟ βαθμός αλήθειας του είναι 80% υψηλότερος από αυτόν του καθαρού διανυσματικού RAG, με πραγματική ακρίβεια και υπενθυμίζει περισσότερο από το διπλάσιο του συστήματος RAG μόνο διανυσματικού.
Συνολικά, η προτεινόμενη λύση αυξάνει τόσο την ακρίβεια όσο και την ανάκληση, περιορίζοντας παράλληλα τις ψευδαισθήσεις, προσφέροντας μια βιώσιμη πορεία για τη βελτίωση της αξιοπιστίας και της αξιοπιστίας των συστημάτων QA που βασίζονται στο LLM.
Διαβάστε το αρχικό έγγραφο για ολοκληρωμένες τεχνικές λεπτομέρειες της έρευνας.
Πεκίνο Qianxing Jietong Technology Co., Ltd.
Σάντι Γιανγκ, Διευθυντής Παγκόσμιας Στρατηγικής
WhatsApp / WeChat: +86 13426366826
Ηλεκτρονικό μήνυμα: yangyd@qianxingdata.com
Ιστοσελίδα: www.qianxingdata.com/www.storagesserver.com
Επικεντρώσου στις επιχειρήσεις:
Διανομή προϊόντων ΤΠΕ/Ενσωμάτωση συστημάτων και υπηρεσίες/Λύσεις υποδομής
Με 20+ χρόνια εμπειρίας διανομής πληροφορικής, συνεργαζόμαστε με κορυφαίες παγκόσμιες μάρκες για την παροχή αξιόπιστων προϊόντων και επαγγελματικών υπηρεσιών.
Χρησιμοποιώντας την τεχνολογία για την οικοδόμηση ενός ευφυούς κόσμουΟ αξιόπιστος πάροχος υπηρεσιών προϊόντων ΤΠΕ!
Το μήνυμά σας πρέπει να αποτελείται από 20-3.000 χαρακτήρες!
Greek
