Formation RAG avec graphes de connaissances

Leçon 1 • Principes fondamentaux des graphes de connaissances

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

Leçon 2 • Aperçu de la génération augmentée de récupération

Présente l'architecture RAG : composants de récupération, 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 Graph RAG

Compare le RDF, les graphes de propriétés étiquetés et les hypergraphes pour la pertinence 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. Permet aux étudiants de récupérer des faits sémantiques à partir de graphes de connaissances basés sur des ontologies.

Leçon 2 • Panorama des bases de données de graphes

Examine les bases de données de graphes natives, les magasins multi-modèles et les moteurs de graphes en mémoire. Aide les étudiants à faire correspondre les capacités des bases de données aux exigences d'un système RAG.

Leçon 3 • Modèles de conception de schémas de graphes

Présente des modèles de schémas réutilisables tels que les graphes d'événements, les hiérarchies et les graphes bipartis. Prépare les étudiants à concevoir des schémas qui prennent en charge une récupération RAG efficace.

Leçon 4 • Langage de requête pour graphes de propriétés

Enseigne le filtrage par 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 sur l'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

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

Leçon 4 • Résolution d'entités et dédoublonnage

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

Leçon 1 • Principes fondamentaux du plongement de graphes

Explique les familles de plongements translationnels, bilinéaires et neuronaux pour les graphes de connaissances. Fournit les fondements théoriques pour choisir les 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 sur des 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 graph-RAG.

Leçon 4 • Maintenance et mise à jour des plongements

Aborde le réplongement incrémental, la détection de dérive et les stratégies de rafraîchissement planifié. Maintient la qualité de la 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 score de chemin 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

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

Leçon 3 • Compréhension et décomposition des requêtes

Enseigne le liage 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 structurées de récupération de graphes.

Leçon 4 • Références de récupération éparse et dense

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

Leçon 1 • Architectures Graph-RAG agentiques

Présente les agents d'appel d'outils qui interrogent de manière itérative le graphe de connaissances pendant la génération. Permet un raisonnement dynamique en plusieurs étapes sur les connaissances 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 de systèmes et l'optimisation.

Leçon 3 • Techniques de réduction des hallucinations

Aborde l'attribution, la vérification des faits et le score 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 basée sur les invites.

Leçon 1 • Gestion des coûts et planification des ressources

Couvre la modélisation des coûts de calcul, de stockage et d'API pour l'infrastructure graph-RAG. Permet des décisions de compromis éclairées entre les performances et le budget opérationnel.

Leçon 2 • Optimisation de la mise en cache et de la latence

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

Leçon 3 • Modèles d'architecture pour Graph-RAG

Présente les architectures microservices, monolithiques et événementielles pour les déploiements Graph-RAG. 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 de graphes

Couvre le partitionnement horizontal, la réplication et les stratégies de réplicas en lecture pour les grands graphes de connaissances. Garantit que le débit de récupération évolue 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 en tant que processus d'ingénierie reproductible.

Leçon 2 • Boucles de rétroaction et apprentissage actif

Couvre la collecte de commentaires des utilisateurs, l'exploitation de signaux implicites et l'apprentissage actif pour les mises à jour du graphe. Boucle 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 des réponses, la précision du contexte et le rappel comme métriques RAG holistiques. Fournit une boîte à outils d'évaluation complète applicable aux pipelines Graph-RAG.

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.