Penyedia basis data grafik Neo4j menyatakan bahwa teknologi grafik dapat mencegah model dan agen AI menghasilkan halusinasi, fabrikasi, dan jawaban palsu terhadap kueri pengguna.
Perusahaan ini merujuk pada makalah akademik baru-baru ini yang dirilis di arXiv pada bulan Juni, berjudul Mengurangi Halusinasi dalam Jawaban Pertanyaan Kompleks Menggunakan Generasi Pembelian-Peningkatan Berbasis Grafik Sederhana,yang membenarkan klaimnya.
Abstrak makalah mencatat bahwa penelitian ini mengeksplorasi mengadopsi struktur grafik ringan dengan skema grafik sederhana untuk mendukung subsistem RAG (Retrieval-Augmented Generation) melalui satu set alat khusus.Tim peneliti membangun sistem agentik dilengkapi dengan beragam alat pencarian vektor dan kueri grafik, yang beroperasi pada data terstruktur yang berasal dari artikel Wikipedia bahasa Inggris yang dikuratori.sebuah benchmark Wikipedia QA yang menantang untuk tugas menjawab kueri yang kompleks.
Para peneliti mengajukan pertanyaan yang kompleks untuk LLM: "Bisakah Anda menyebutkan semua pertempuran antara Belanda dan Inggris dalam Perang Anglo-Belanda Pertama, Kedua dan Ketiga,Dan daftar pemenang dari setiap pertempuran♪♪
Menjawab pertanyaan ini membutuhkan kemampuan pengambilan dan penalaran yang canggih, termasuk penalaran multi-entitas simultan, multi-hop dan akses lintas dokumen.Studi ini menunjukkan bahwa pertanyaan yang kompleks seperti itu menimbulkan tantangan besar bagi sistem berbasis LLM canggih saat ini..
Tim menguji pertanyaan pada tiga pengaturan LLM dan menganalisis hasilnya:
1. Vector+graph RAG: Mengadopsi basis data vektor dan grafik yang terpadu dengan alat yang telah didefinisikan untuk mengoptimalkan pengambilan basis pengetahuan eksternal.
2. Vektor sederhana RAG
3. LLM tanpa peningkatan RAG.
Temuan makalah ini mengkonfirmasi bahwa mengintegrasikan basis pengetahuan berbasis grafik dasar dan alat pencocokan ke dalam RAG vektor standar dapat secara substansial mengurangi halusinasi AI,meskipun tidak bisa menghilangkan mereka sepenuhnyaSkor kebenarannya meningkat dari sekitar -127 untuk LLM nol-shot menjadi -49 untuk RAG vektor + grafik.
Selain itu, pendekatan hibrida lebih baik daripada RAG vektor mandiri secara signifikan.vektor+graph RAG mencapai skor tertinggi di antara tiga skenario tesSkor kebenarannya yang halus 80 persen lebih tinggi daripada RAG vektor murni, dengan presisi faktual dan mengingat lebih dari dua kali lipat dari sistem RAG vektor saja.
Secara keseluruhan, solusi yang diusulkan meningkatkan presisi dan mengingat sambil mengekang halusinasi, menawarkan jalan yang layak untuk meningkatkan keandalan dan kredibilitas sistem QA berbasis LLM.
Baca makalah asli untuk detail teknis penelitian yang komprehensif.
Beijing Qianxing Jietong Technology Co., Ltd.
Sandy Yang/Direktur Strategi Global
WhatsApp / WeChat: +86 13426366826
Email: yangyd@qianxingdata.com
Situs web: www.qianxingdata.com/www.storagesserver.com
Fokus Bisnis:
Distribusi Produk ICT/Integrasi Sistem & Layanan/Solusi Infrastruktur
Dengan 20+ tahun pengalaman distribusi TI, kami bermitra dengan merek global terkemuka untuk memberikan produk yang dapat diandalkan dan layanan profesional.
¢Menggunakan Teknologi untuk Membangun Dunia yang Cerdas ¢Penyedia Layanan Produk ICT yang Anda Percayai!
Pesan Anda harus antara 20-3.000 karakter!
Indonesian
