Доклад

Semantic RAG: аналитический подход к моделированию знаний для LLM

На русском языке

Расскажу, как строить осмысленные пайплайны Retrieval-Augmented Generation (RAG), в которых LLM не просто «угадывает» ответ по похожим чанкам, а осознанно исследует данные, исходя из их структуры и связей.

В основе подхода — семантическое моделирование данных. В него входят:

  • описание предметной области в виде модели данных (ноды, атрибуты, связи),
  • хранение данных в графовой базе Memgraph,
  • дополнение графа документами и чанками, а также вопросами и ответами,
  • формальное описание модели и инструменты vector search, Cypher, SQL для LLM-ассистента;
  • самостоятельный выбор ассистентом, как получить ответ.

В докладе покажу:

  • как устроена модель анкеров-атрибутов-линков;
  • как LLM интерпретирует структуру и использует ее для планирования запроса;
  • как сочетаются векторный и графовый поиски;
  • и как устроен пайплайн генерации ответа — с fallback'ом, метриками и визуализацией запроса.
Расписание