最新の技術トレンドでは、未構造化知識ベースからグラフを抽出し、それに基づいて高度な理解を構築することが注目されています。このプロセスは、大規模言語モデル（LLM）を使った自動抽出手法で始まりますが、どの概念や関係性を取り入れるかの選択が重要な課題です。たとえば、ウォーレン・バフェットに関する文書から、彼の保有株や出生地などの事実をエンティティとして抽出できます。また、抽出したデータをどのように保管するかも考慮しなければなりません。グラフデータベース(DB)は第一の選択肢ですが、技術スタックを拡張し、新たなクエリ言語を学ぶ必要があります。
LLMをファインチューニングすることで、より精度の高い抽出を実現することができます。しかし、これは時間がかかる作業です。さらに、抽出されたグラフからコミュニティーを識別する作業も必須です。これはノードがグラフ内の他のノードとより緊密に接続されているクラスタとしてのコミュニティーの特定を指します。コミュニティー報告生成は、ノードやエッジの要約を行い、知識ベース内の重要なトピックや概念を識別する際に役立ちます。
最終的には、検索時にマップ・リデュースパターンを使用して、最終的な回答を生成します。ユーザーの問い合わせと各コミュニティー報告を組み合わせ、段階的に関連性を評価しながら回答を絞り込んでいきます。グラフRAGは、新しい洞察を提供し、知識ベースのセマンティック内容をグローバルに理解する助けとなります。高等学校レベルの学生でも理解できるように、テキストベースのQ&Aタスクでの欠点を補い、その隙間をグラフRAGで埋める未来が期待されています。
出典 : Graph RAG — A conceptual introduction https://towardsdatascience.com/graph-rag-a-conceptual-introduction-41cd0d431375