« GAIA-Graphe » : différence entre les versions
mAucun résumé des modifications |
Aucun résumé des modifications |
||
(Une version intermédiaire par le même utilisateur non affichée) | |||
Ligne 1 : | Ligne 1 : | ||
== Définition == | == Définition == | ||
Méthode d'adaptation | 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 == |
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
Contributeurs: Louis Bouchard, Claude Coulombe, Patrick Drouin