Cara TigerGraph CoPilot melaksanakan AI dipertingkatkan graf

Jika anda ingin mengetahui lebih lanjut tentang AIGC, sila layari:

51CTO AI Fungsi utama, kelebihan dan dua kes penggunaan utama TigerGraph CoPilot diperkenalkan secara terperinci.

Dalam beberapa tahun kebelakangan ini, data, sebagai faktor pengeluaran, telah dapat memberikan kami cerapan perniagaan transformatif merentas industri yang berbeza. Walau bagaimanapun, cara menggunakan data besar yang tersedia dengan baik sering membawa cabaran yang besar kepada kita. Di satu pihak, terdapat lebihan data, dan sebaliknya, terdapat sejumlah besar pulau data yang kurang digunakan. Ramai saintis dan penganalisis data profesional memerlukan pengetahuan profesional yang mendesak untuk membolehkan organisasi mereka memproses pertumbuhan data yang berterusan tepat pada masanya tanpa mengorbankan prestasi dan kecekapan operasi, dan untuk mengekstrak daripada data kompleks apa yang tersembunyi di bawah permukaan pandangan.

Penemuan terkini dalam pemprosesan bahasa semula jadi dengan kecerdasan buatan (AI) telah mengubah cara data diakses secara berpusat. Dengan memanfaatkan sepenuhnya keupayaan AI CoPilot untuk memproses dan menganalisis data berskala besar dalam masa nyata, lebih ramai pengguna boleh membuat pertanyaan dan menghuraikan set data yang kompleks dengan mudah, yang seterusnya membantu organisasi membuat keputusan termaklum dengan cepat. Pada masa yang sama, kecerdasan buatan CoPilot juga boleh mengurus dan mengawal kos tinggi set data yang besar dengan mengautomasikan proses data yang kompleks dan menjalankan analisis data yang mendalam dengan kakitangan teknikal yang diberi kuasa, dengan itu mengoptimumkan peruntukan keseluruhan sumber.

Menjana AI dan model bahasa semula jadi (LLM bukan tanpa keraguan. Memandangkan kebanyakan LLM dibina berdasarkan pengetahuan umum, mereka tidak dapat mengetahui data khusus organisasi tertentu, apatah lagi data sulit tersebut. Pada masa yang sama, Selain ketidakupayaan LLM untuk memahami perubahan dunia maklumat, satu lagi masalah yang lebih serius ialah "ilusi". menganggap bahawa kami amat memerlukan AI yang lebih kontekstual dan kurang terdedah kepada ralat untuk menyediakan data berkualiti tinggi yang secara langsung dapat meningkatkan ketepatan keputusan perniagaan dalam proses analisis ramalan dan pembelajaran mesin

Pengenalan kepada TigerGraph CoPilot

TigerGraph. CoPilot. TigerGraph CoPilot ialah alat berbantukan AI yang menggabungkan pangkalan data graf dan keupayaan AI generatif untuk meningkatkan produktiviti dalam menganalisis, membangunkan dan mengurus pelbagai tugas perniagaan TigerGraph CoPilot membolehkan penganalisis perniagaan, saintis data dan pembangun menggunakan bahasa semula jadi -pertanyaan masa pada data berskala besar untuk mendapatkan cerapan data yang dibentangkan dan dianalisis daripada bahasa semula jadi, visualisasi graf dan perspektif lain

TigerGraph CoPilot boleh menangani kekurangan AI yang dinyatakan di atas dengan meningkatkan ketepatan dan mengurangkan halusinasi untuk organisasi anda dan memacu keputusan termaklum dalam bidang seperti perkhidmatan pelanggan, pemasaran, jualan produk, sains data, pembangunan dan kejuruteraan, benar-benar menunjukkan nilai aplikasi AI generatif

Ciri utama dan faedah TigerGraph CoPilot

... TigerGraph CoPilot membenarkan pengguna bukan teknikal untuk membuat pertanyaan dan menganalisis data menggunakan bahasa komunikasi seharian, membolehkan mereka menumpukan lebih pada penemuan cerapan tanpa perlu mempelajari teknologi baharu atau bahasa komputer CoPilot menggunakan pendekatan baru untuk setiap masalah pengguna pendekatan (di bawah) yang berinteraksi secara serentak dengan pangkalan data TigerGraph dan LLM yang dipilih pengguna untuk mendapatkan jawapan yang tepat dan relevan

Pada peringkat pertama, TigerGraph CoPilot memadankan soalan dengan data khusus yang tersedia dalam pangkalan data menggunakan LLM untuk membandingkan skema masalah dengan graf dan menggantikan entiti dalam masalah dengan elemen graf Contohnya, jika terdapat bucu jenis BareMetalNode, dan pengguna bertanya "Berapa banyak pelayan yang ada?" soalan ditukar kepada "Berapa banyak bucu BareMetalNode yang ada?"

Pada peringkat kedua, TigerGraph CoPilot menggunakan LLM untuk membandingkan soalan yang ditukar dengan set pertanyaan dan fungsi pangkalan data yang dirancang dengan teliti untuk memilih padanan terbaik. Menggunakan pertanyaan yang dipraluluskan secara amnya mempunyai dua faedah:

• Pertama, memandangkan setiap pertanyaan menjalani pengesahan untuk maksud dan tingkah lakunya, mereka mengurangkan kemungkinan halusinasi dengan berkesan.
• Kedua, sistem mempunyai potensi untuk meramalkan sumber pelaksanaan yang akan digunakan untuk menjawab soalan.
• Pada peringkat ketiga, TigerGraph CoPilot akan melaksanakan pertanyaan yang dikenal pasti tersebut dan mengembalikan hasil yang berkaitan dalam bahasa semula jadi, bersama-sama dengan alasan di belakangnya. Pada masa yang sama, pertanyaan bahasa semula jadi yang dipertingkatkan graf CoPilot menyediakan halangan yang baik, yang bukan sahaja dapat mengurangkan risiko ilusi model, tetapi juga menjelaskan maksud setiap pertanyaan dan memberikan pemahaman tentang hasilnya.

AI Generatif untuk peningkatan graf

TigerGraph CoPilot boleh mencipta chatbots dengan AI dipertingkatkan graf berdasarkan dokumen dan data pengguna sendiri, tanpa memerlukan pangkalan data graf sedia ada. Dalam mod operasi ini, TigerGraph CoPilot membina graf pengetahuan daripada bahan sumber dan menggunakan varian Penjanaan Ditambah Pengambilan Semula (RAG) yang unik untuk meningkatkan perkaitan kontekstual dan ketepatan jawapan kepada soalan bahasa semula jadi.

Pertama, apabila memuatkan dokumen pengguna, TigerGraph CoPilot mengekstrak entiti dan perhubungan daripada kepingan dokumen dan membina graf pengetahuan daripada dokumen. Graf pengetahuan sering menghubungkan titik data melalui perhubungan dan menyusun maklumat dalam format berstruktur. Pada masa yang sama, CoPilot juga akan mengenal pasti konsep, membina ontologi, dan menambah semantik dan penaakulan pada graf pengetahuan. Sudah tentu, pengguna juga boleh menyediakan ontologi konsep mereka sendiri.

Kemudian, dengan menggunakan graf pengetahuan komprehensif ini, CoPilot akan melakukan pencarian semula hibrid, iaitu, menggabungkan carian vektor tradisional dan traversal graf untuk mengumpul maklumat yang lebih relevan dan konteks yang lebih kaya untuk menjawab pelbagai soalan pengguna.

Dengan menyusun data ke dalam graf pengetahuan, chatbots boleh dengan cepat dan cekap mengakses maklumat berasaskan fakta yang tepat, dengan itu mengurangkan pergantungan pada corak pembelajaran berdasarkan proses latihan untuk menjana respons. Lagipun, model sedemikian kadangkala tidak betul atau ketinggalan zaman.

AI yang Boleh Dipercayai dan Bertanggungjawab

Seperti yang dinyatakan sebelum ini, TigerGraph CoPilot mengurangkan halusinasi dengan membenarkan LLM mengurus pertanyaan untuk mengakses pangkalan data graf. Pada masa yang sama, ia memastikan AI yang bertanggungjawab dengan menggunakan kawalan akses dan langkah keselamatan berasaskan peranan yang sama yang sudah menjadi sebahagian daripada pangkalan data TigerGraph. Selain itu, TigerGraph CoPilot mengekalkan keterbukaan dan ketelusan dengan membuka komponen utamanya dan membenarkan pengguna memilih perkhidmatan LLMnya.

Prestasi tinggi dan kebolehskalaan

Dengan memanfaatkan pangkalan data TigerGraph, TigerGraph CoPilot menyediakan prestasi tinggi untuk analisis graf. Sebagai penyelesaian RAG berasaskan graf, ia juga menyediakan pangkalan pengetahuan berskala besar untuk menjawab soalan berasaskan graf pengetahuan.

Kes Penggunaan Utama TigerGraph CoPilot

• Dari Bahasa Semulajadi kepada Data Insights
• Soal Jawab Bermaklumat

Dari Bahasa Semulajadi kepada Data Insights

Sama ada anda seorang pakar, Penyiasat data, Tigerh, Pilot, atau ahli perniagaan. anda cepat mendapat maklumat dan cerapan daripada data anda. Contohnya, CoPilot boleh menjana laporan yang berkaitan untuk penyiasat penipuan dengan menjawab soalan seperti "Tunjukkan kepada saya senarai kes penipuan positif palsu baru-baru ini." Pada masa yang sama, CoPilot juga boleh memudahkan penyiasatan yang lebih tepat, seperti: "Siapakah yang telah membuat urus niaga lebih daripada $1,000 dengan 123 akaun pada bulan lalu

TigerGraph CoPilot malah boleh merentasi graf sepanjang tanggungan untuk Menjawab soalan seperti itu?" sebagai “Bagaimana jika?” Sebagai contoh, anda boleh mengetahui dengan mudah dari rajah rantaian bekalan "Pembekal mana yang boleh menampung kekurangan bahagian 123?" atau dari rajah infrastruktur digital "Perkhidmatan mana yang akan terjejas oleh peningkatan pelayan 321

S&J Bermaklumat

TigerGraph CoPilot boleh mencapai pengambilan maklumat kontekstual yang tepat berdasarkan kaedah RAG graf pengetahuan apabila membina chatbot Soal Jawab untuk data dan dokumen pengguna, supaya dapat memberikan jawapan yang lebih baik dan keputusan yang lebih termaklum. Boleh dikatakan bahawa Soal Jawab yang kaya yang disediakan oleh CoPilot secara langsung meningkatkan produktiviti aplikasi Soal Jawab biasa (seperti pusat panggilan, perkhidmatan pelanggan, carian pengetahuan dan senario lain) dan mengurangkan kos pembinaan.

Selain itu, dengan menggabungkan graf pengetahuan dokumen dan graf perniagaan sedia ada (seperti graf produk) ke dalam graf pintar, TigerGraph CoPilot boleh menyelesaikan masalah yang tidak dapat diatasi oleh penyelesaian RAG lain. Contohnya, dengan menggabungkan sejarah pembelian pelanggan dengan carta produk, CoPilot boleh membuat pengesyoran yang lebih tepat dan diperibadikan semasa pelanggan menaip pertanyaan carian atau meminta pengesyoran. Senario biasa termasuk: Dengan menggabungkan sejarah perubatan pesakit dengan carta kesihatan, doktor atau profesional kesihatan boleh mendapatkan maklumat yang lebih praktikal tentang pesakit untuk memberikan diagnosis atau rawatan yang lebih baik.

Ringkasan

Ringkasnya, berbanding dengan aplikasi LLM komersial lain, TigerGraph CoPilot menyelesaikan cabaran pengurusan data yang kompleks dan analisis berkaitan. Melalui keupayaan hebatnya dalam pemprosesan bahasa semula jadi dan algoritma lanjutan, organisasi boleh memperoleh cerapan perniagaan yang luar biasa dalam mengatasi beban data yang berlebihan dan bertindak balas terhadap akses data yang tidak optimum. Pada masa yang sama, dengan memanfaatkan RAG berasaskan graf, ia juga boleh memastikan ketepatan dan kaitan output LLM.

Memandangkan CoPilot membolehkan rangkaian pengguna yang lebih luas untuk menggunakan data dengan berkesan, membuat keputusan termaklum dan mengoptimumkan peruntukan sumber merentas organisasi. Kami percaya ini adalah satu langkah penting ke hadapan dalam mendemokrasikan akses kepada data dan memperkasakan organisasi untuk memanfaatkan potensi penuh aset data mereka.

Pengenalan penterjemah

Julian Chen, editor komuniti 51CTO, mempunyai lebih daripada sepuluh tahun pengalaman dalam pelaksanaan projek IT Dia pandai mengurus dan mengawal sumber dan risiko dalaman dan luaran, dan menumpukan pada penyebaran pengetahuan dan pengalaman keselamatan rangkaian dan maklumat. .

Tajuk asal: Bagaimana TigerGraph CoPilot mendayakan AI ditambah graf, pengarang: Hamid Azzawe

Pautan: https://www.infoworld.com/article/3715344/how-tigergraph-copilot-enables-graph-augmented-ai.html .

Untuk mengetahui lebih lanjut tentang AIGC, sila layari:

51CTO AI.x Community

https://www.51cto.com/aigc/