Kurz vývoje RAG systémů se znalostními grafy

Lekce 1 • Základy znalostních grafů

Pokrývá uzly, hrany, trojice a ontologie jako stavební kameny znalostních grafů. Poskytuje slovní zásobu potřebnou pro všechna navazující témata tvorby grafů.

Lekce 2 • Přehled Retrieval-Augmented Generation

Představuje architekturu RAG: komponenty retriever, znalostní zdroj a generátor. Propojuje koncepty vyhledávání s kvalitou výstupu jazykového modelu.

Lekce 3 • Reprezentace dat v Graph RAG

Porovnává RDF, labeled property grafy a hypergrafy z hlediska vhodnosti pro RAG. Pomáhá studentům vybrat správnou reprezentaci pro jejich doménu.

Lekce 1 • SPARQL pro RDF grafy

Pokrývá dotazy SELECT, CONSTRUCT a ASK nad RDF triple story. Vybavuje studenty schopností získávat sémantická fakta z ontologicky podložených znalostních grafů.

Lekce 2 • Přehled grafových databází

Mapuje nativní grafové databáze, multi-modelová úložiště a in-memory grafové enginy. Pomáhá studentům sladit schopnosti databází s požadavky RAG systému.

Lekce 3 • Návrhové vzory grafových schémat

Představuje znovupoužitelné vzory schémat, jako jsou grafy událostí, hierarchie a bipartitní grafy. Připravuje studenty na návrh schémat, která podporují efektivní RAG retrieval.

Lekce 4 • Dotazovací jazyk pro property grafy

Učí porovnávání vzorů, filtrování a agregaci pomocí dotazovacího jazyka pro property grafy. Přímo umožňuje dotazy na získávání faktů používané v pozdějších kapitolách o integraci RAG.

Lekce 1 • Zarovnávání a obohacování ontologií

Pokrývá zarovnávání doménových ontologií, import veřejných znalostních bází a obohacování faktů v grafu. Rozšiřuje pokrytí grafu pro zlepšení úplnosti vyhledávání v RAG systémech.

Lekce 2 • Pipeline pro extrakci informací

Pokrývá rozpoznávání pojmenovaných entit, extrakci vztahů a rozlišení koreference z textu. Tato extrahovaná fakta se stávají surovinou pro plnění grafu.

Lekce 3 • Zajištění kvality grafu

Představuje metriky úplnosti, konzistence a přesnosti pro validaci znalostních grafů. Kontroly kvality zde zabraňují chybám ve vyhledávání v navazujících RAG pipeline.

Lekce 4 • Rozlišení entit a deduplikace

Zabývá se propojováním záznamů, fuzzy porovnáváním a slučováním kanonických entit napříč zdroji. Zajišťuje integritu grafu před provedením vyhledávacích dotazů.

Lekce 1 • Základy grafových embeddingů

Vysvětluje rodiny translačních, bilineárních a neuronových embeddingů pro znalostní grafy. Poskytuje teoretický základ pro výběr embeddingů v kontextu RAG.

Lekce 2 • Společné textově-grafové embeddingy

Učí společné trénování textových enkodérů se strukturou grafu pro zarovnání sémantického a relačního prostoru. Umožňuje jednotné vyhledávání napříč textovými a grafovými znalostními zdroji.

Lekce 3 • Reprezentace uzlů a podgrafů

Pokrývá node2vec, GraphSAGE a poolování podgrafů pro vytváření vektorů na úrovni uzlů a podgrafů. Tyto vektory slouží jako vyhledávací jednotky v graph-RAG systémech.

Lekce 4 • Údržba a aktualizace embeddingů

Zabývá se inkrementálním re-embeddingem, detekcí driftu a strategiemi plánované obnovy. Udržuje kvalitu vyhledávání stabilní, i když se podkladový znalostní graf vyvíjí.

Lekce 1 • Retrieval založený na procházení grafem

Pokrývá procházení ukotvené na entitě, beam search nad grafy a skórování cest pro získávání faktů. Umožňuje strukturované vícekrokové usuzování, které není dostupné v plochých vyhledávacích systémech.

Lekce 2 • Vyhodnocení retrievalu a iterace

Představuje precision, recall, MRR a NDCG pro vyhodnocení kvality grafového retrievalu. Pomáhá s iterativním vylepšováním vyhledávacích komponent před integrací generátoru.

Lekce 3 • Porozumění dotazu a jeho dekompozice

Učí propojování entit, detekci vztahů a vícekrokovou dekompozici dotazů z přirozeného jazyka. Převádí uživatelské otázky na strukturované operace grafového retrievalu.

Lekce 4 • Základní modely sparse a dense retrievalu

Stanovuje BM25 a dense passage retrieval jako výchozí modely před zavedením metod zohledňujících graf. Poskytuje benchmarky pro měření zlepšení grafového retrievalu.

Lekce 1 • Agentní architektury Graph-RAG

Představuje agenty volající nástroje, kteří během generování iterativně dotazují znalostní graf. Umožňuje dynamické, vícekrokové usuzování nad znalostmi grafu v době inference.

Lekce 2 • Sestavení end-to-end pipeline

Provede sestavením komponent ingestace, retrievalu a generování do nasaditelné pipeline. Připravuje studenty na nadcházející kapitoly o návrhu a optimalizaci systému.

Lekce 3 • Techniky snižování halucinací

Zabývá se atribucí, ověřováním faktů a skórováním spolehlivosti s cílem omezit nepodložená tvrzení. Zajišťuje, že vygenerované odpovědi jsou dohledatelné ke konkrétním faktům v grafu.

Lekce 4 • Generování podmíněné grafem

Učí podmiňování jazykových modelů vstupy strukturovanými grafem pomocí linearizace a pozornosti. Zlepšuje faktické ukotvení nad rámec standardního vkládání promptů.

Lekce 1 • Řízení nákladů a plánování zdrojů

Pokrývá modelování nákladů na výpočet, úložiště a API pro infrastrukturu graph-RAG. Umožňuje informovaná rozhodnutí o kompromisech mezi výkonem a provozním rozpočtem.

Lekce 2 • Cachování a optimalizace latence

Učí cachování výsledků dotazů, vrstvy cache embeddingů a dávkování požadavků pro snížení latence. Přímo zlepšuje dobu odezvy vůči uživatelům v produkčních RAG systémech.

Lekce 3 • Architektonické vzory pro Graph-RAG

Představuje architektury mikroslužeb, monolitické a řízené událostmi pro nasazení grafového RAG. Pomáhá s výběrem na základě velikosti týmu, objemu dotazů a četnosti aktualizací.

Lekce 4 • Škálování grafových databází

Pokrývá horizontální partitioning, replikaci a strategie read replik pro velké znalostní grafy. Zajišťuje, že propustnost retrievalu se škáluje s rostoucí velikostí grafu a zátěží dotazy.

Lekce 1 • Workflow průběžného zlepšování

Představuje regresní testování, postupné nasazování a kadence obnovy modelů pro udržitelnou kvalitu. Operacionalizuje zlepšování jako opakovatelný inženýrský proces.

Lekce 2 • Zpětnovazební smyčky a aktivní učení

Pokrývá sběr zpětné vazby od uživatelů, dolování implicitních signálů a aktivní učení pro aktualizace grafu. Uzavírá smyčku mezi produkčním používáním a zlepšováním znalostního grafu.

Lekce 3 • Rámce pro end-to-end vyhodnocení RAG

Pokrývá věrnost, relevanci odpovědi, přesnost kontextu a úplnost jako holistické metriky RAG. Poskytuje kompletní sadu nástrojů pro vyhodnocování použitelnou pro graph-RAG pipeline.

Lekce 4 • Observabilita retrievalu a generování

Představuje distribuované trasování, logování retrievalu a auditní stopy generování pro RAG systémy. Umožňuje analýzu hlavních příčin regresí kvality v produkci.