Der Anbieter der Graph-Datenbank Neo4j erklärt, dass die Graph-Technologie verhindern kann, dass KI-Modelle und -Agenten Halluzinationen, Erfindungen und falsche Antworten auf Benutzeranfragen erzeugen.
Das Unternehmen verwies auf ein kürzlich auf arXiv veröffentlichtes wissenschaftliches Papier im Juni mit dem Titel "Reduktion von Halluzinationen bei komplexen Fragenbeantwortungen mit einfacher Graph-basierter Retrieval-Augmented Generation".der seine Behauptung bestätigt.
Die Studie untersucht die Annahme einer leichten Graphstruktur mit einem einfachen Graphschema zur Unterstützung des Teilsystems RAG (Retrieval-Augmented Generation) über einen speziellen Werkzeugsatz.Das Forscherteam baute ein agentic System mit verschiedenen Vektorsuch- und Graph-Abfrage-Tools aus, die auf strukturierten Daten basiert, die aus kuratierten englischen Wikipedia-Artikeln stammen.ein herausfordernder Wikipedia QA-Benchmark für komplexe Abfragebeantwortungsaufgaben.
Die Forscher stellten eine komplexe Frage an die LLM: "Können Sie alle Schlachten zwischen Niederländern und Engländern im Ersten, Zweiten und Dritten Anglo-Niederländischen Krieg nennen,und den Sieger jeder Schlacht auflisten.- Ich weiß nicht.
Die Beantwortung dieser Frage erfordert anspruchsvolle Abruf- und Argumentationsfähigkeiten, einschließlich gleichzeitiger Multi-Entität, Multi-Hop-Argumentation und Cross-Dokument-Zugriff.Die Studie weist darauf hin, dass solche komplexen Fragen für die derzeitigen modernen LLM-basierten Systeme große Herausforderungen darstellen..
Das Team testete die Frage an drei LLM-Einstellungen und analysierte die Ergebnisse:
1. Vector+graph RAG: Adoptiert eine einheitliche Vektor- und Grafikdatenbank mit vordefinierten Tools zur Optimierung der externen Wissensdatenbank.
2. Einfacher Vektor RAG
3Ein absolver LLM ohne RAG-Verstärkung
Die Ergebnisse des Papiers bestätigen, dass die Integration einer grundlegenden grafischen Wissensdatenbank und passender Tools in Standard-Vektor-RAG KI-Halluzinationen erheblich reduzieren kann.Obwohl es sie nicht vollständig beseitigen kannDie grobe Wahrheitsbeurteilung verbesserte sich von ungefähr −127 für Nullschuss-LLMs auf −49 für Vektor+Graph RAG.
Der hybride Ansatz übertrifft zudem die eigenständige Vektor-RAG erheblich.Vector+graph RAG erzielt die höchste Punktzahl unter den drei TestszenarienDie feinkörnige Wahrheitsbewertung ist um 80 Prozent höher als bei reinem Vektor-RAG, mit faktueller Präzision und mehr als doppelt so hoher Erinnerung wie bei einem Vektor-RAG-System.
Insgesamt erhöht die vorgeschlagene Lösung sowohl die Präzision als auch die Erinnerung, während Halluzinationen eingedämmt werden, was einen tragfähigen Weg bietet, um die Zuverlässigkeit und Glaubwürdigkeit von LLM-basierten QA-Systemen zu verbessern.
Lesen Sie das Originalpapier für umfassende technische Details der Forschung.
Beibei Qianxing Jietong Technology Co., Ltd.
Sandy Yang, Leiterin der globalen Strategie
WhatsApp / WeChat: +86 13426366826
E-Mail: yangyd@qianxingdata.com
Website: www.qianxingdata.com/www.storagesserver.com Die Daten werden auf der Website der chinesischen Regierung gespeichert.
Geschäftsfokus:
Vertrieb von IKT-Produkten/Systemintegration und Dienstleistungen/Infrastrukturlösungen
Mit mehr als 20 Jahren Erfahrung im IT-Vertrieb arbeiten wir mit führenden globalen Marken zusammen, um zuverlässige Produkte und professionelle Dienstleistungen zu liefern.
¢Technologie nutzen, um eine intelligente Welt aufzubauen¡Ihr vertrauenswürdiger Dienstleister für IKT-Produkte!
Ihre Nachricht muss zwischen 20 und 3.000 Zeichen enthalten!
German
