Le fournisseur de bases de données de graphiques Neo4j déclare que la technologie de graphique peut empêcher les modèles et les agents d'IA de générer des hallucinations, des fabrications et de fausses réponses aux requêtes des utilisateurs.
L'entreprise a fait référence à un article académique récent publié sur arXiv en juin, intitulé "Réduire les hallucinations dans la réponse à des questions complexes en utilisant la génération augmentée de récupération basée sur un simple graphique".qui valide sa demande.
L'étude explore l'adoption d'une structure de graphe légère avec un schéma de graphe simple pour soutenir le sous-système RAG (Retrieval-Augmented Generation) via un ensemble d'outils dédié.L'équipe de recherche a construit un système d'agent équipé de divers outils de recherche vectorielle et de requête graphiqueIl a évalué les performances du système sur des questions complexes du MoNaCo,un critère de référence de l'assurance qualité de Wikipédia pour les tâches complexes de réponse aux requêtes.
Les chercheurs ont posé une question complexe pour les LLM: "Pouvez-vous nommer toutes les batailles entre les Hollandais et les Anglais dans la première, deuxième et troisième guerres anglo-néerlandaises,et lister le vainqueur de chaque batailleJe ne sais pas.
Répondre à cette question exige des capacités de récupération et de raisonnement sophistiquées, y compris le raisonnement multi-entité simultanée, multi-hop et l'accès croisé aux documents.L'étude souligne que de telles questions complexes posent des défis majeurs pour les systèmes actuels basés sur le LLM..
L'équipe a testé la question sur trois établissements LLM et a analysé les résultats:
1. Vector+graph RAG: adopte une base de données vectorielle et graphique unifiée avec des outils prédéfinis pour optimiser la récupération de la base de connaissances externe.
2. Vecteur simple RAG
3- Pas de diplôme sans augmentation de RAG.
Les résultats de l'étude confirment que l'intégration d'une base de connaissances de base basée sur des graphiques et des outils de correspondance dans les RAG vectoriels standard peut réduire considérablement les hallucinations d'IA.Bien que cela ne puisse pas les éliminer complètement.Le score de véracité grossière s'est amélioré d'environ −127 pour les LLM à tirage nul à −49 pour les RAG vectoriels + graphiques.
En outre, l'approche hybride surpasse de manière significative le RAG vecteur autonome.vector+graph RAG obtient le score le plus élevé parmi les trois scénarios d'essaiSon score de véracité fine est 80% plus élevé que celui du RAG vectoriel pur, avec une précision factuelle et un rappel plus du double de celui du système RAG vectoriel.
Dans l'ensemble, la solution proposée améliore à la fois la précision et le rappel tout en réduisant les hallucinations, offrant ainsi une voie viable pour améliorer la fiabilité et la crédibilité des systèmes d'assurance qualité basés sur le LLM.
Lisez le document original pour obtenir des détails techniques complets de la recherche.
La Commission a examiné les informations fournies par les autorités chinoises.
Sandy Yang, directeur de la stratégie mondiale
WhatsApp ou WeChat: +86 13426366826
Le courrier électronique: yangyd@qianxingdata.com
Le site Web est le suivant: www.qianxingdata.com/www.storagesserver.com
En ce qui concerne les affaires
Distribution de produits TIC/Intégration des systèmes et services/Solutions d'infrastructure
Avec plus de 20 ans d'expérience dans la distribution informatique, nous travaillons en partenariat avec des marques mondiales de premier plan pour fournir des produits fiables et des services professionnels.
Utiliser la technologie pour bâtir un monde intelligentVotre fournisseur de services de produits TIC de confiance!
Votre message doit contenir entre 20 et 3 000 caractères!
French
