« GAIA-Graphe » : différence entre les versions


Aucun résumé des modifications
Aucun résumé des modifications
 
(6 versions intermédiaires par 3 utilisateurs non affichées)
Ligne 1 : Ligne 1 :
== Définition ==
== Définition ==
Méthode d'adaptation, [[peaufinage]] des résultats d'un [[grand modèle de langues]] en enrichissant les requêtes avec des sources d'informations externes et à jour, tout en structurant ces informations sous forme de [[graphes]] pour capter les relations entre elles, permettant ainsi de générer des résultats encore plus précis et contextuellement pertinents.
Méthode d'adaptation par [[génération augmentée d'information applicative]] (GAIA) d'un [[grand modèle de langues]] par enrichissement des requêtes avec des sources d'informations externes sous forme de [[graphes]] pour capter les relations entre elles. Ce procédé permet de générer des résultats encore plus précis et contextuellement pertinents.


== Compléments ==
== Compléments ==
Ligne 12 : Ligne 12 :


== Français ==
== Français ==
'''GAIA-Graphe'''
'''GAIA Graphe'''


'''génération augmentée d'information applicative avec graphes'''
'''génération augmentée d'information applicative avec graphes'''
'''GAIA-Graphe'''


== Anglais ==
== Anglais ==
Ligne 22 : Ligne 23 :


'''Graph retrieval augmented generation'''
'''Graph retrieval augmented generation'''
'''Graph RAG'''
'''Graph-RAG'''


==Sources==
==Sources==

Dernière version du 24 septembre 2024 à 14:16

Définition

Méthode d'adaptation par génération augmentée d'information applicative (GAIA) d'un grand modèle de langues par enrichissement des requêtes avec des sources d'informations externes sous forme de graphes pour capter les relations entre elles. Ce procédé permet de générer des résultats encore plus précis et contextuellement pertinents.

Compléments

On ne touche pas au grand modèle de langues, mais on enrichit les requêtes en encodant les données d’entrée avec des vecteurs sémantiques compacts (embeddings) du domaine d’application. Ces vecteurs sémantiques compacts proviennent d'une base de données vectorielles, et sont organisés sous forme de graphes pour capter les relations entre les différentes informations.


Ici, on ne modifie pas le modèle de langues, mais on ajoute un contexte supplémentaire à la requête permettant au grand modèle de langues de répondre aux questions avec des informations sur le sujet, en structurant les données sous forme de graphes afin d'obtenir une meilleure compréhension des connexions entre les entités.

Lorsqu'un utilisateur fait une requête, celle-ci est enrichie à l'aide de vecteurs sémantiques compacts similaires retrouvées dans la base de données vectorielles par l'algorithme des k plus proches voisins (métrique de similarité cosinus). Ces vecteurs sémantiques sont ensuite intégrés dans une structure de graphe, permettant de capturer et d'exploiter les relations entre les différentes données. Une fois que nous avons trouvé des vecteurs sémantiques compacts similaires en analysant les connexions du graphe, nous soumettons une requête avec les données associées et leur structure en graphe pour fournir un contexte plus riche et pertinent, permettant au grand modèle de langues de mieux répondre à la question.

Français

GAIA-Graphe

GAIA Graphe

génération augmentée d'information applicative avec graphes

Anglais

GraphRAG

Graph retrieval augmented generation

Graph RAG

Graph-RAG

Sources

Source: Microsoft

Source: Parlons IA, Louis-Francois Bouchard