通过检索增强生成(RAG)技术,从而让大模型调用外部知识源(比如个人和公司保存的大量文档)回答问题。
但是当回答针对整个文本语料库的全局性问题,如“数据集中的主要主题是什么?”,RAG却无能为力。
因为这类问题本质上是查询聚焦摘要(QFS)任务,而非一个明确的检索任务。
怎么办呢?
微软提出的知识图谱RAG(以下使用:Graph RAG)技术,能够将复杂的、大规模文本数据集转化为易于理解和操作的知识结构,以便更好地理解实体(如人物、地点、机构等)之间的相互关系。
你可以把该技术理解为通过两个步骤简化文本索引:
首先,利用大型语言模型从文档中提取关键信息,构建出反映实体间关系的知识图谱;
然后,为这些实体的集合生成精炼的摘要。当用户提问时,系统会根据这些摘要生成初步答案,并将它们综合起来,提供一个全面的回答。
例如,当你想了解一个百万条信息的数据集包含哪些主题或者实体时,Graph RAG就能给出更丰富、更全面的答案。
总结起来,优势在于跨文档处理!检索更快,更准确!利于发现实体之间联系!
在AI大模型时代,这项技术提升了个人和组织,从大规模文本中提取深层次信息的能力,帮助你从众多文档中发现新信息。
以下是实现细节解读,更详细的可查看:https://arxiv.org/pdf/2404.16130v1
运用场景
Graph RAG的应用场景众多,比如用于深度信息提取,提取出隐藏在数据表层之下的关键信息和联系;为决策者提供快速、准确的信息摘要,提高决策效率。
我们看几个具体运用的例子:
假如你是科研人员,你可以通过Graph RAG快速梳理大量文献,从跨学科的资料中提取核心观点和最新研究进展,更便于撰写文献综述。
其次,还可以借助Graph RAG快速梳理某一领域的文献,识别关键主题、理论发展和研究空白,从而加速科学发现。
假如你是政策研究者,你可以借助Graph RAG从大量的政策文件、社会反馈和经济数据中提取关键信息,评估政策效果,指导政策制定,优化政策设计。
在法律行业,律师可以使用Graph RAG来梳理案件文档、法律条文和相关判例,快速定位到案件的关键点和相关法律依据,提高案件处理的效率。
新闻机构和内容创作者,可以利用Graph RAG从繁杂的资料中提炼核心信息,生成深度报道和评论,提高内容的质量。
那么Graph RAG是如何实现呢?
实现步骤
Graph RAG的关键步骤如下:
-
源文档分割:将文档合理切分成文本块,为大模型处理优化输入。
-
提取实例:从文本块中精准提取实体和关系的实例。
-
实例摘要化:将实体和关系的实例转换为精炼的摘要。
-
构建图社区:利用元素摘要通过社区检测算法构建图社区。
-
生成社区摘要:为每个图社区创建全面摘要,捕捉核心内容。
-
生成全局答案:通过整合社区摘要,高效生成针对用户查询的全面答案。
源文档分割
将原始文档被精心切分为易于处理的文本块。这一过程对于确定大模型的调用频率和信息抽取的准确性至关重要。
虽然文本块越多越好,但是你需要评估准确率和召回率,以最大化大模型的上下文窗口召回率,同时避免因文本过长而导致信息遗漏。
提取实例
将每个文本块被送入大模型,以识别和提取图中的节点和边的实例。
这一步骤通过多部分大模型提示词实现,首先识别文本中的所有实体及其属性,然后识别实体间的关系。
这些信息以一组分隔的元组形式输出,为构建图索引做好准备。
实例摘要化
利用大模型对实体、关系和声明的描述进行抽象总结,形成对概念的独立有意义的摘要。
这一过程依赖于大模型对文本本身未明确表述的概念(如隐含关系)的理解能力。
构建图社区
将上一步生成的摘要进一步整合,形成图社区。
这一步骤中,使用如Leiden算法等社区检测技术,将图划分为多个社区,每个社区内的节点彼此间联系更为紧密,代表了数据集中的相关主题或概念集合。
生成社区摘要
为每个社区生成摘要,这些摘要不仅有助于理解数据集的全局结构和语义,而且在没有具体查询的情况下,也可用于对整个文档集合的理解。
社区摘要的生成考虑了节点的重要性和连接度,以确保社区内的关键信息被有效捕捉。
生成全局答案
利用社区摘要生成对用户查询的全局答案。
首先,社区摘要被随机分配并分块,以适应LLM的上下文窗口大小。然后,对每个块并行生成中间答案,并由LLM评估答案的相关性。
最后根据答案的相关性分数进行排序,逐步汇总形成最终答案。
效果评估
作者使用了两个大规模数据集来验证Graph RAG方法的有效性:一个包含1669个文本块的播客转录数据集(约100万个token)和一个包含3197个文本块的新闻文章数据集(约170万个token)。相当于10本小说。
通过与naive RAG和全局文本摘要方法(TS)的比较,Graph RAG在全面性和多样性上优势明显,尤其是在使用8k tokens上下文窗口时,全面性胜率为58.1%,多样性胜率为52.4%。
此外,Graph RAG在根级别社区摘要上的性能优于naive RAG,同时在token成本上更具优势。
微软打算推出一个开源的、基于Python的Graph RAG方法的实现,它既支持全局也支持局部的查询处理。可以在 https://aka.ms/graphrag 查到。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。