Graf veritabanı sağlayıcısı Neo4j, grafik teknolojisinin yapay zekâ modellerinin ve ajanlarının kullanıcı sorularında halüsinasyonlar, uydurmalar ve yanlış cevaplar üretmesini engelleyebileceğini belirtiyor.
Şirket, Haziran ayında arXiv'de yayımlanan Simple Graph-based Retrieval-Augmented Generation kullanılarak Karmaşık Soruların Yanıtlanmasında Halüsinasyonları Azaltma başlıklı bir akademik makaleye başvurdu.İddialarını doğrulayan.
Çalışma, RAG (Retrieval-Augmented Generation) alt sistemini özel bir araç kümesi aracılığıyla desteklemek için basit bir grafik şeması ile hafif bir grafik yapısı benimsemesini araştırıyor.Araştırma ekibi, çeşitli vektör arama ve grafik sorgulama araçlarıyla donatılmış bir agentik sistem inşa etti., İngilizce Wikipedia makalelerinden kaynaklanan yapılandırılmış veriler üzerinde çalışmaktadır.karmaşık sorgu cevaplama görevleri için zorlu bir Wikipedia QA ölçütü.
Araştırmacılar LLM'ler için karmaşık bir soru ortaya attılar: İlk, İkinci ve Üçüncü Anglo-Hollanda Savaşlarında Hollandalılar ve İngilizler arasındaki tüm savaşları adlandırabilir misiniz?Ve her savaşın kazananını listele.- Evet.
Bu soruyu yanıtlamak, eşzamanlı çoklu varlık, çoklu hop akıl yürütme ve çapraz belge erişimi de dahil olmak üzere sofistike arama ve akıl yürütme yeteneklerini gerektirir.Çalışma, bu tür karmaşık sorguların mevcut en son teknolojiye dayalı LLM sistemleri için büyük zorluklar oluşturduğunu belirtir..
Ekip, soruyu üç LLM kurulumunda test etti ve sonuçları analiz etti:
1. Vektör+graf RAG: Dış bilgi tabanının alınmasını optimize etmek için önceden tanımlanmış araçlarla birleşik bir vektör ve grafik veritabanı benimser.
2Basit vektör RAG.
3RAG geliştirme olmadan sıfır şanslı LLM.
Makalede elde edilen sonuçlar, temel bir grafik tabanlı bilgi tabanını entegre etmenin ve standart vektör RAG'a eşleşen araçların yapay zeka halüsinasyonlarını önemli ölçüde azaltabileceğini doğruluyor.Ama onları tamamen ortadan kaldıramaz.Kaba doğruluk puanı sıfır çekim LLM'leri için yaklaşık -127'den vektör + grafik RAG için -49'a yükseldi.
Ayrıca, hibrit yaklaşım, bağımsız vektör RAG'dan önemli ölçüde daha iyi performans gösterir.vektör + grafik RAG, üç test senaryosu arasında en yüksek puanı elde eder. Onun ince taneler doğruluk puanı saf vektör RAG'dan yüzde 80 daha yüksek, gerçek doğruluğu ve sadece vektörlü RAG sisteminin iki katından fazla hatırlama.
Genel olarak, önerilen çözüm, hem hassasiyeti hem de hatırlamayı artırırken halüsinasyonları azaltırken, LLM tabanlı kalite kontrol sistemlerinin güvenilirliğini ve güvenilirliğini artırmak için uygulanabilir bir yol sunar.
Araştırmanın kapsamlı teknik ayrıntıları için orijinal makaleyi okuyun.
Pekin Qianxing Jietong Technology Co., Ltd.
Sandy Yang, Küresel Strateji Direktörü
WhatsApp / WeChat: +86 13426366826
E-posta: yangyd@qianxingdata.com
Site: www.qianxingdata.com/www.storagesserver.com
İş odaklı:
İKT Ürün dağıtım/Sistem entegrasyonu ve hizmetler/altyapı çözümleri
20+ yıllık BT dağıtım deneyimiyle, güvenilir ürünler ve profesyonel hizmetler sunmak için önde gelen küresel markalarla ortaklık kuruyoruz.
Akıllı bir dünya inşa etmek için teknolojiyi kullanmak güvenilir İKT ürün hizmet sağlayıcınız!
Mesajınız 20-3.000 karakter arasında olmalıdır!
Turkish
