Yapılan incelemeler, GraphRAG'ın özellikle geniş veri kümelerinde bütünsel anlam çıkarma konusunda çok daha başarılı olduğunu gösteriyor.
Vektör Tabanlı RAG Sistemlerinin Sınırları
Standart vektör RAG yöntemleri, belgeleri küçük parçalara ayırıp soruya en benzer olanları seçerek çalışıyor. Ancak bu yöntem, farklı parçalarda yer alan bilgileri birbirine bağlama konusunda yetersiz kalıyor. Özellikle 'son iki yıldaki müşteri şikayetlerinin ortak temaları nelerdir?' gibi tüm veri setini anlamayı gerektiren küresel sorularda, tekil parçalar yanıt üretmekte zorlanıyor.
GraphRAG'ın Çalışma Mekanizması ve Avantajları
GraphRAG, indeksleme aşamasında büyük dil modelleri kullanarak varlıkları ve bunlar arasındaki ilişkileri çıkaran bir bilgi grafiği oluşturuyor. Leiden algoritması ile bu grafiği konu kümelerine ayıran sistem, her topluluk için önceden özetler hazırlıyor. Sorgulama anında ise sadece seçili parçalara değil, bu yapılandırılmış özetlere dayanarak sentezlenmiş yanıtlar üretiyor.
Performans Verileri ve Karşılaştırma Sonuçları
Microsoft Research tarafından yürütülen çalışmalar, GraphRAG'ın kapsamlılık açısından vektör RAG'a karşı yüzde 72 ile 83 arasında bir üstünlük kurduğunu kanıtladı. Çeşitlilik skorlarında ise bu oran yüzde 62 ile 82 arasında gerçekleşti. Ayrıca çok adımlı veri geri çağırma testlerinde, standart sistemlerin yüzde 73.4 olan Recall@5 başarısı, graf tabanlı yönlendirme ile yüzde 87.8'e yükselerek 19.6 puanlık bir artış sağladı.
Yorumlar (0)
Henüz yorum yok. İlk yorumu siz yazın.