Formation Systèmes RAG avec Graphes de Connaissances

Leçon 1 • Fondamentaux des Graphes de Connaissances

Couvre les nœuds, les arêtes, les triplets et les ontologies comme blocs de construction des graphes de connaissances. Fournit le vocabulaire nécessaire pour tous les sujets ultérieurs de construction de graphes.

Leçon 2 • Aperçu de la Génération Augmentée par Récupération

Présente l'architecture RAG : les composants récupérateur, source de connaissances et générateur. Relie les concepts de récupération à la qualité de sortie du modèle de langage.

Leçon 3 • Représentation des Données dans le RAG sur Graphe

Compare RDF, les graphes de propriétés étiquetés et les hypergraphes pour leur adéquation au RAG. Guide les étudiants dans le choix de la représentation adaptée à leur domaine.

Leçon 1 • SPARQL pour les Graphes RDF

Couvre les requêtes SELECT, CONSTRUCT et ASK sur les magasins de triplets RDF. Équipe les étudiants pour récupérer des faits sémantiques à partir de graphes de connaissances basés sur des ontologies.

Leçon 2 • Panorama des Bases de Données en Graphe

Passe en revue les bases de données en graphe natives, les magasins multi-modèles et les moteurs de graphe en mémoire. Aide les étudiants à faire correspondre les capacités des bases de données aux exigences des systèmes RAG.

Leçon 3 • Patrons de Conception de Schémas de Graphe

Présente des patrons de schéma réutilisables tels que les graphes d'événements, les hiérarchies et les graphes bipartis. Prépare les étudiants à concevoir des schémas qui soutiennent une récupération RAG efficace.

Leçon 4 • Langage de Requête pour Graphes de Propriétés

Enseigne la correspondance de motifs, le filtrage et l'agrégation à l'aide d'un langage de requête pour graphes de propriétés. Permet directement les requêtes de récupération de faits utilisées dans les chapitres ultérieurs d'intégration RAG.

Leçon 1 • Alignement et Enrichissement d'Ontologies

Couvre l'alignement des ontologies de domaine, l'importation de bases de connaissances publiques et l'enrichissement des faits du graphe. Étend la couverture du graphe pour améliorer le rappel de récupération dans les systèmes RAG.

Leçon 2 • Pipelines d'Extraction d'Informations

Couvre la reconnaissance d'entités nommées, l'extraction de relations et la résolution de coréférences à partir de texte. Ces faits extraits deviennent la matière première pour le peuplement du graphe.

Leçon 3 • Assurance Qualité des Graphes

Introduit des métriques de complétude, de cohérence et d'exactitude pour la validation des graphes de connaissances. Les contrôles de qualité ici empêchent les erreurs de récupération dans les pipelines RAG en aval.

Leçon 4 • Résolution d'Entités et Dédoublonnage

Aborde le linkage d'enregistrements, l'appariement flou et la fusion d'entités canoniques entre sources. Garantit l'intégrité du graphe avant l'exécution des requêtes de récupération.

Leçon 1 • Fondamentaux du Plongement de Graphe

Explique les familles de plongements translationnels, bilinéaires et neuronaux pour les graphes de connaissances. Fournit le fondement théorique pour choisir des plongements dans des contextes RAG.

Leçon 2 • Plongements Conjoints Texte-Graphe

Enseigne le co-entraînement d'encodeurs de texte avec la structure du graphe pour aligner les espaces sémantiques et relationnels. Permet une récupération unifiée à travers les sources de connaissances textuelles et graphiques.

Leçon 3 • Représentation de Nœuds et de Sous-Graphes

Couvre node2vec, GraphSAGE et le pooling de sous-graphes pour produire des vecteurs au niveau des nœuds et des sous-graphes. Ces vecteurs servent d'unités de récupération dans les systèmes RAG sur graphe.

Leçon 4 • Maintenance et Mise à Jour des Plongements

Aborde le ré-plongement incrémental, la détection de dérive et les stratégies de rafraîchissement planifié. Maintient la qualité de récupération stable à mesure que le graphe de connaissances sous-jacent évolue.

Leçon 1 • Récupération Basée sur le Parcours de Graphe

Couvre le parcours ancré sur une entité, la recherche par faisceau sur les graphes et le scoring de chemins pour la récupération de faits. Permet un raisonnement multi-sauts structuré indisponible dans les systèmes de récupération plats.

Leçon 2 • Évaluation et Itération de la Récupération

Introduit la précision, le rappel, le MRR et le NDCG pour évaluer la qualité de la récupération sur graphe. Guide l'amélioration itérative des composants de récupération avant l'intégration du générateur.

Leçon 3 • Compréhension et Décomposition des Requêtes

Enseigne le linking d'entités, la détection de relations et la décomposition de requêtes multi-sauts à partir du langage naturel. Convertit les questions des utilisateurs en opérations de récupération structurées sur le graphe.

Leçon 4 • Références de Base pour la Récupération Sparse et Dense

Établit BM25 et la récupération dense de passages comme références avant d'introduire les méthodes basées sur les graphes. Fournit des benchmarks pour mesurer les améliorations de la récupération sur graphe.

Leçon 1 • Architectures RAG sur Graphe Agentiques

Présente les agents appelant des outils qui interrogent itérativement le graphe de connaissances pendant la génération. Permet un raisonnement dynamique et multi-étapes sur la connaissance du graphe au moment de l'inférence.

Leçon 2 • Assemblage du Pipeline de Bout en Bout

Guide l'assemblage des composants d'ingestion, de récupération et de génération en un pipeline déployable. Prépare les étudiants pour les chapitres à venir sur la conception système et l'optimisation.

Leçon 3 • Techniques de Réduction des Hallucinations

Aborde l'attribution, la vérification des faits et le scoring de confiance pour réduire les affirmations non fondées. Garantit que les réponses générées sont traçables jusqu'à des faits spécifiques du graphe.

Leçon 4 • Génération Conditionnée par le Graphe

Enseigne le conditionnement des modèles de langage sur des entrées structurées en graphe à l'aide de la linéarisation et de l'attention. Améliore l'ancrage factuel au-delà de l'injection standard par prompt.

Leçon 1 • Gestion des Coûts et Planification des Ressources

Couvre la modélisation des coûts de calcul, de stockage et d'appels API pour l'infrastructure RAG sur graphe. Permet des décisions éclairées de compromis entre la performance et le budget opérationnel.

Leçon 2 • Mise en Cache et Optimisation de la Latence

Enseigne la mise en cache des résultats de requêtes, les couches de cache de plongements et le groupement de requêtes pour réduire la latence. Améliore directement les temps de réponse côté utilisateur dans les systèmes RAG en production.

Leçon 3 • Patrons d'Architecture pour le RAG sur Graphe

Présente les architectures microservices, monolithiques et événementielles pour les déploiements RAG sur graphe. Guide la sélection en fonction de la taille de l'équipe, du volume de requêtes et de la fréquence des mises à jour.

Leçon 4 • Passage à l'Échelle des Bases de Données en Graphe

Couvre les stratégies de partitionnement horizontal, de réplication et de réplicas en lecture pour les grands graphes de connaissances. Garantit que le débit de récupération passe à l'échelle avec la taille croissante du graphe et la charge de requêtes.

Leçon 1 • Workflows d'Amélioration Continue

Présente les tests de régression, les déploiements progressifs et les cadences de rafraîchissement des modèles pour une qualité durable. Opérationnalise l'amélioration comme un processus d'ingénierie reproductible.

Leçon 2 • Boucles de Retour et Apprentissage Actif

Couvre la collecte de retours utilisateurs, l'exploitation de signaux implicites et l'apprentissage actif pour les mises à jour du graphe. Ferme la boucle entre l'utilisation en production et l'amélioration du graphe de connaissances.

Leçon 3 • Cadres d'Évaluation RAG de Bout en Bout

Couvre la fidélité, la pertinence de la réponse, la précision du contexte et le rappel comme métriques RAG holistiques. Fournit une boîte à outils d'évaluation complète applicable aux pipelines RAG sur graphe.

Leçon 4 • Observabilité de la Récupération et de la Génération

Introduit le traçage distribué, la journalisation de la récupération et les pistes d'audit de génération pour les systèmes RAG. Permet l'analyse des causes profondes des régressions de qualité en production.