Графите на субектите: Новият стандарт за семантично търсене
Според анализ на Дийпак Айер [1] за изданието Machine Brief [2], традиционното семантично търсене започва да среща сериозни ограничения при извличането на сложни, логически свързани факти. Решението на този проблем се крие в интеграцията на графи на субектите (entity graphs) – мрежи от знания, които позволяват на изкуствения интелект да разбира не само смисъла на думите, но и връзките между тях. Тази архитектура е ключов елемент от модерните RAG (Retrieval-Augmented Generation) системи.
Изображение: Svetni.me / Авторско изображение
Резултатите от бенчмарковете
Данните от публичния набор HotpotQA показват драстична разлика в производителността. Когато стандартното векторно търсене се комбинира с класическия алгоритъм BM25 и графи на субектите, резултатите в метриката BothFound@5 достигат 71.5%. За сравнение, без използването на графи, този показател изостава до 59.5%.
Още по-впечатляващи са резултатите в специализирания бенчмарк LongMemEval-S, където интеграцията на графи постига 84.8% успеваемост при извличане на факти. В същото време конкурентни решения като LoCoMo-10 и Zep Cloud показват съответно 59% и 28%.
Защо това е важно?
Способността за прецизно извличане на свързани факти има критично значение извън изследователската общност. От подобряването на алгоритмите на търсачките до по-интелигентното обслужване на клиенти чрез AI, залогът е висок. В свят, управляван от данни, бизнесът вече не може да разчита само на големите езикови модели (LLM) – той се нуждае от солидна инфраструктура, която да поддържа тези модели.
Според Айер, основното тясно място в съвременните AI системи вече не е самият модел, а инфраструктурата за извличане на знания. Инвестицията в графи на субектите не е просто техническо подобрение, а икономическа необходимост за намаляване на неефективността и повишаване на удовлетвореността на крайните потребители.
Източници:
[1]: Why Entity Graphs Are Transforming Semantic Search - Machine Brief
[2]: Machine Brief - Official Website