ग्राफ डेटाबेस प्रदाता Neo4j का कहना है कि ग्राफ तकनीक AI मॉडल और एजेंटों को भ्रम, मनगढ़ंत बातें और उपयोगकर्ता के प्रश्नों के झूठे उत्तर उत्पन्न करने से रोक सकती है।
कंपनी ने जून में arXiv पर जारी एक हालिया अकादमिक पेपर का हवाला दिया, जिसका शीर्षक था “Reducing Hallucinations in Complex Question Answering using Simple Graph-based Retrieval-Augmented Generation”, जो इसके दावे को मान्य करता है।
पेपर के सार में कहा गया है कि अध्ययन एक समर्पित टूलसेट के माध्यम से RAG (Retrieval-Augmented Generation) सबसिस्टम का समर्थन करने के लिए एक साधारण ग्राफ स्कीमा के साथ एक हल्के ग्राफ संरचना को अपनाने की पड़ताल करता है। शोध दल ने क्यूरेटेड अंग्रेजी विकिपीडिया लेखों से प्राप्त संरचित डेटा पर काम करते हुए, विविध वेक्टर खोज और ग्राफ क्वेरी टूल से लैस एक एजेंटिक प्रणाली का निर्माण किया। इसने जटिल क्वेरी उत्तर कार्यों के लिए एक चुनौतीपूर्ण विकिपीडिया QA बेंचमार्क, MoNaCo से जटिल प्रश्नों पर सिस्टम के प्रदर्शन का मूल्यांकन किया।
शोधकर्ताओं ने LLM के लिए एक जटिल प्रश्न प्रस्तुत किया: “क्या आप पहले, दूसरे और तीसरे एंग्लो-डच युद्धों के बीच डच और अंग्रेजी के बीच सभी लड़ाइयों का नाम बता सकते हैं, और प्रत्येक लड़ाई के विजेता को सूचीबद्ध कर सकते हैं?”
इस प्रश्न का उत्तर देने के लिए परिष्कृत पुनर्प्राप्ति और तर्क क्षमताओं की आवश्यकता होती है, जिसमें एक साथ मल्टी-एंटिटी, मल्टी-हॉप रीजनिंग और क्रॉस-डॉक्यूमेंट एक्सेस शामिल है। अध्ययन बताता है कि ऐसे जटिल प्रश्न वर्तमान अत्याधुनिक LLM-आधारित प्रणालियों के लिए बड़ी चुनौतियां पेश करते हैं।
टीम ने तीन LLM सेटअपों पर प्रश्न का परीक्षण किया और परिणामों का विश्लेषण किया:
1. वेक्टर+ग्राफ RAG: बाहरी ज्ञान आधार पुनर्प्राप्ति को अनुकूलित करने के लिए पूर्वनिर्धारित टूल के साथ एक एकीकृत वेक्टर और ग्राफ डेटाबेस को अपनाता है।
2. सरल वेक्टर RAG
3. RAG एन्हांसमेंट के बिना जीरो-शॉट LLM
पेपर के निष्कर्षों की पुष्टि होती है कि मानक वेक्टर RAG में एक बुनियादी ग्राफ-आधारित ज्ञान आधार और मिलान टूल को एकीकृत करने से AI भ्रम काफी कम हो सकता है, हालांकि यह उन्हें पूरी तरह से समाप्त नहीं कर सकता है। मोटे तौर पर सत्यता स्कोर जीरो-शॉट LLM के लिए लगभग -127 से बढ़कर वेक्टर+ग्राफ RAG के लिए -49 हो गया।
इसके अलावा, हाइब्रिड दृष्टिकोण स्टैंडअलोन वेक्टर RAG से काफी बेहतर प्रदर्शन करता है। जब आंशिक रूप से सही उत्तरों को मूल्यांकन में शामिल किया जाता है, तो वेक्टर+ग्राफ RAG तीन परीक्षण परिदृश्यों में उच्चतम स्कोर प्राप्त करता है। इसका फाइन-ग्रेन्ड सत्यता स्कोर शुद्ध वेक्टर RAG की तुलना में 80 प्रतिशत अधिक है, जिसमें तथ्यात्मक सटीकता और रिकॉल वेक्टर-ओनली RAG सिस्टम से दोगुने से अधिक हैं।
कुल मिलाकर, प्रस्तावित समाधान सटीकता और रिकॉल दोनों को बढ़ाता है जबकि भ्रम को कम करता है, LLM-आधारित QA सिस्टम की विश्वसनीयता और विश्वसनीयता में सुधार के लिए एक व्यवहार्य मार्ग प्रदान करता है।
अनुसंधान के व्यापक तकनीकी विवरण के लिए मूल पेपर पढ़ें।
बीजिंग कियानक्सिंग जिएटोंग टेक्नोलॉजी कं, लिमिटेड
सैंडी यांग/ग्लोबल स्ट्रेटेजी डायरेक्टर
WhatsApp / WeChat: +86 13426366826
ईमेल: yangyd@qianxingdata.com
वेबसाइट: www.qianxingdata.com/www.storagesserver.com
व्यावसायिक फोकस:
आईसीटी उत्पाद वितरण/सिस्टम एकीकरण और सेवाएँ/बुनियादी ढांचा समाधान
20+ वर्षों के आईटी वितरण अनुभव के साथ, हम विश्वसनीय उत्पाद और पेशेवर सेवाएँ प्रदान करने के लिए अग्रणी वैश्विक ब्रांडों के साथ साझेदारी करते हैं।
“एक बुद्धिमान दुनिया बनाने के लिए प्रौद्योगिकी का उपयोग करना”आपका विश्वसनीय आईसीटी उत्पाद सेवा प्रदाता!
आपका संदेश 20-3,000 अक्षरों के बीच होना चाहिए!
Hindi
