ارائهدهنده پایگاه داده گراف، نئو۴جی (Neo4j) بیان میکند که فناوری گراف میتواند از تولید توهمات، جعل و پاسخهای نادرست توسط مدلها و عاملهای هوش مصنوعی به پرسشهای کاربران جلوگیری کند.
این شرکت به مقالهای علمی اشاره کرد که اخیراً در ماه ژوئن در arXiv منتشر شده و با عنوان «کاهش توهمات در پاسخگویی به پرسشهای پیچیده با استفاده از تولید افزوده بازیابی مبتنی بر گراف ساده» منتشر شده است که ادعای آن را تأیید میکند.
چکیده مقاله خاطرنشان میکند که این مطالعه به بررسی پذیرش یک ساختار گراف سبک با یک طرح گراف ساده برای پشتیبانی از زیرسیستم RAG (تولید افزوده بازیابی) از طریق مجموعهای از ابزارهای اختصاصی میپردازد. تیم تحقیق یک سیستم عاملدار مجهز به ابزارهای متنوع جستجوی برداری و پرسوجوی گراف را ساخت که بر روی دادههای ساختاریافته برگرفته از مقالات منتخب ویکیپدیا به زبان انگلیسی عمل میکند. عملکرد سیستم بر روی پرسشهای پیچیده از MoNaCo، یک معیار چالشبرانگیز پرسش و پاسخ ویکیپدیا برای وظایف پاسخگویی به پرسشهای پیچیده، ارزیابی شد.
محققان یک پرسش پیچیده را برای مدلهای زبان بزرگ (LLMs) مطرح کردند: «آیا میتوانید تمام نبردها بین هلندیها و انگلیسیها را در جنگهای اول، دوم و سوم آنگل-هلند نام ببرید و پیروز هر نبرد را لیست کنید؟»
پاسخ به این پرسش نیازمند قابلیتهای بازیابی و استدلال پیچیده است، از جمله استدلال چند موجودیتی، چند پرشی و دسترسی همزمان به اسناد مختلف. این مطالعه نشان میدهد که چنین پرسشهای پیچیدهای چالشهای بزرگی را برای سیستمهای پیشرفته مبتنی بر مدلهای زبان بزرگ (LLMs) ایجاد میکنند.
این تیم پرسش را بر روی سه پیکربندی مدل زبان بزرگ (LLM) آزمایش کرد و نتایج را تجزیه و تحلیل کرد:
۱. RAG برداری+گراف: از یک پایگاه داده یکپارچه برداری و گراف با ابزارهای از پیش تعریف شده برای بهینهسازی بازیابی پایگاه دانش خارجی استفاده میکند.
۲. RAG برداری ساده
۳. مدل زبان بزرگ (LLM) بدون تقویت RAG (Zero-shot LLM)
یافتههای مقاله تأیید میکنند که ادغام یک پایگاه دانش اساسی مبتنی بر گراف و ابزارهای منطبق در RAG برداری استاندارد میتواند به طور قابل توجهی توهمات هوش مصنوعی را کاهش دهد، اگرچه نمیتواند آنها را به طور کامل از بین ببرد. امتیاز حقیقتسنجی تقریبی از حدود ۱۲۷- برای مدلهای زبان بزرگ (LLM) بدون تقویت RAG به ۴۹- برای RAG برداری+گراف بهبود یافت.
علاوه بر این، رویکرد ترکیبی به طور قابل توجهی بهتر از RAG برداری مستقل عمل میکند. هنگامی که پاسخهای تا حدی صحیح در ارزیابی گنجانده میشوند، RAG برداری+گراف بالاترین امتیاز را در بین سه سناریوی آزمایشی کسب میکند. امتیاز حقیقتسنجی دقیق آن ۸۰ درصد بیشتر از RAG برداری خالص است و دقت و بازیابی واقعی بیش از دو برابر سیستم RAG فقط برداری است.
به طور کلی، راهحل پیشنهادی هم دقت و هم بازیابی را افزایش میدهد و در عین حال توهمات را مهار میکند و مسیری قابل اجرا برای بهبود قابلیت اطمینان و اعتبار سیستمهای پرسش و پاسخ مبتنی بر مدلهای زبان بزرگ (LLM) ارائه میدهد.
برای جزئیات فنی جامع تحقیق، مقاله اصلی را بخوانید.
شرکت فناوری پکن کیانشینگ جیهتونگ (Beijing Qianxing Jietong Technology Co., Ltd.)
سندی یانگ / مدیر استراتژی جهانی
واتساپ / ویچت: +۸۶ ۱۳۴۲۶۳۶۶۸۲۶
ایمیل: yangyd@qianxingdata.com
وبسایت: www.qianxingdata.com/www.storagesserver.com
تمرکز تجاری:
توزیع محصولات فناوری اطلاعات و ارتباطات / یکپارچهسازی سیستم و خدمات / راهحلهای زیرساختی
با بیش از ۲۰ سال تجربه در توزیع فناوری اطلاعات، ما با برندهای پیشرو جهانی همکاری میکنیم تا محصولات قابل اعتماد و خدمات حرفهای ارائه دهیم.
«استفاده از فناوری برای ساختن جهانی هوشمند» ارائهدهنده خدمات محصولات فناوری اطلاعات و ارتباطات مورد اعتماد شما!
پیام شما باید بین 20 تا 3000 کاراکتر باشد!
Persian
