TigerGraph CoPilot如何實現圖形增強式AI

想了解更多AIGC的內容，請造訪：

51CTO AI.x社群

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

透過比較其他商用LLM的缺陷，本文詳細介紹了TigerGraph CoPilot的主要功能、優點、以及兩個關鍵用例。

近年來，資料作為一種生產要素，已經能夠夠有能力為我們提供橫跨不同產業的變革性商業見解了。不過，如何利用好可以獲得的大數據，往往為我們帶來了不小的挑戰。一面是過載的數據，一面卻是大量未被充分利用的數據孤島。不少專業數據科學家和分析師亟待透過專業知識，讓自己所在的組織能夠在不犧牲性能和運營效率的情況下，並時地處理持續增長的數據，並從複雜的數據中提取潛藏在表層之下的見解。

最近，人工智慧（AI）在自然語言處理方面的突破，改變了資料集中化存取的方式。透過充分利用人工智慧CoPilot的即時處理和分析大規模資料的能力，更多的使用者可以輕鬆地查詢和解析複雜的資料集，進而有助於組織快速做出明智的決策。同時，人工智慧CoPilot也可以透過自動化複雜的資料流程，以及授權評少的技術人員進行深層的資料分析，管理與控制大型資料集的高昂成本，進而最佳化資源的整體分配。

產生AI和自然語言模型（LLM並非毫無疑慮。由於大多數LLM都建立在通用的公共知識的基礎上，因此他們無法知道特定組織的特定數據，更不用說那些機密數據了。真實。

圖形增強式自然語言查詢

#TigerGraph CoPilot允許非技術使用者使用日常溝通語言對資料進行查詢和分析。新穎的三段式互動方法(如下)，同時與TigerGraph資料庫及使用者選擇的LLM進行交互，以獲得準確且相關的答案。與資料庫中可用的特定資料加以比對。並且用戶詢問“有多少伺服器?”，那麼問題就會被轉換為“有多少BareMetalNode頂點?”
• #在第二階段，TigerGraph CoPilot使用LLM將轉換後的問題，與一組精心策劃的資料庫查詢與函數進行比較，以選擇最佳匹配。使用預先批准的查詢通常會有兩個好處：
• 首先，由於每個查詢的含義和行為都經歷了驗證，因此它們有效地降低了產生幻覺的可能性。
• 其次，該系統具有預測回答問題所要呼叫的執行資源的潛力。

在第三階段，TigerGraph CoPilot會執行那些已識別的查詢，並以自然語言傳回相關結果，及其背後運作的推理。同時，CoPilot的圖形增強式自然語言查詢，提供了良好的屏障，既能降低模型幻覺的風險，又可澄清每個查詢的含義，還會提供對結果的理解。

• #

  針對圖形增強的生成式AI

  TigerGraph CoPilot可以基於使用者自己的文件和數據，創建具有圖形增強AI的聊天機器人，且無需現有的圖形資料庫。在這種操作模式下，TigerGraph CoPilot會透過資源材料來建立知識圖，並應用其獨特的檢索增強生成(RAG)的變體，來提高自然語言問題答案的上下文相關性和準確性。

  首先，在載入使用者文件時，TigerGraph CoPilot會從文件區塊中提取實體和關係，並從文件中建構出知識圖。知識圖往往透過關係連結資料點，以結構化的格式來組織資訊。同時，CoPilot也會辨識概念，建構本體，為知識圖中加入語意和推理。當然，使用者也可以提供自己的概念本體。

  然後，透過使用此綜合知識圖，CoPilot會執行混合檢索，即：結合傳統的向量搜尋和圖形遍歷，來收集更多的相關資訊和更為豐富的上下文，以回答使用者的各類問題。

  透過將資料組織為知識圖，聊天機器人可以快速且有效率地存取到準確的、基於事實的信息，從而減少了對於需要根據培訓過程的學習模式，來產生回應的依賴。畢竟，這樣的模式有時可能並不正確、甚至已經過時。

  

  可靠且負責任的AI

  如前文所述，TigerGraph CoPilot透過允許LLM管理查詢，來存取圖形資料庫，以緩解幻覺。同時，它能夠透過採取相同的、基於角色的存取控制和安全措施(已經成為了TigerGraph資料庫的一部分)，來確保實現負責任的AI。此外，TigerGraph CoPilot還透過開放其主要元件，並允許使用者選擇其LLM服務，來保持開放性和透明性。

  高效能與擴展性

  透過利用TigerGraph資料庫，TigerGraph CoPilot為圖形分析提供了較高的效能。而作為一個基於圖形的RAG解決方案，它也為知識圖驅動的問答提供了大規模的可擴展的知識庫。

  TigerGraph CoPilot關鍵用例

  • 從自然語言到資料見解
  • 內容豐富的問答

  從自然語言到資料見解

  無論您是業務分析師、資料專家、還是調查人員，TigerGraph CoPilot都能夠讓您快速地從資料中獲取資訊和見解。例如，CoPilot可以透過回答「請給我展示最近誤報的詐欺案件清單」等問題，為詐欺調查人員產生相關報告。同時，CoPilot也可以促進更準確的調查，例如：「誰在過去一個月裡，與123帳戶進行了金額超過1000美元的交易?」

  TigerGraph CoPilot甚至可以透過沿著依賴關係去遍歷圖形，以回答諸如“如果…會怎麼樣”等問題。例如，您可以從供應鏈圖中，輕鬆找到「哪些供應商可以彌補零件123的短缺?」或從數位基礎設施圖中，找到「哪些服務會受到伺服器321升級的影響?」

  內容豐富的問答

  TigerGraph CoPilot在為使用者的資料和文件建立問答聊天機器人時，能夠基於知識圖的RAG方法，實現上下文資訊的準確檢索，以便給出更好的答案和更明智的決策。可以說，由CoPilot給予的、內容豐富的問答，直接提高了典型問答應用(如：呼叫中心、客戶服務、以及知識搜尋等場景)的生產力，並且降低了構建成本。

  此外，透過將文件知識圖和現有的業務圖(如：產品圖)合併為一個智慧圖，TigerGraph CoPilot可以解決其他RAG方案所無法處理的問題。例如，透過將客戶的購買歷史與產品圖表結合，CoPilot可以在客戶鍵入搜尋查詢、或要求推薦時，做出更準確的個人化建議。其典型場景包括：透過將患者的病史與健康圖表相結合，醫生或健康專家便可以獲得有關患者的更多實用信息，以提供更好的診斷或治療。

  小結

  綜上所述，相較於其他商用LLM應用，TigerGraph CoPilot解決了複雜資料管理與相關分析的挑戰。透過它在自然語言處理和高級演算法方面的強大功能，組織可以在克服資料過載和應對資料存取欠佳方面，獲得巨大的業務洞察。同時，透過利用基於圖形的RAG，它也可以確保LLM輸出的準確性和相關性。

  鑑於CoPilot允許更廣泛的使用者有效地利用數據，做出明智的決策，並能優化組織間的資源分配。我們認為，這是在實現資料存取民主化，以及賦能組織充分利用其資料資產潛力方面的重大進步。

  譯者介紹

  陳峻(Julian Chen)，51CTO社群編輯，具有十多年的IT專案實施經驗，善於對內外部資源與風險實施管控，專注傳播網絡與資訊安全知識與經驗。

  原文標題：How TigerGraph CoPilot enables graph-augmented AI，作者：Hamid Azzawe

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

  想了解更多AIGC的內容，請造訪：

  51CTO AI.x社群

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