TL;DR ベクトル検索だと、複数のステップを踏まないと答えられない質問の検索がむずい 「TomにEmil Eifrém（Neo4jのCEO）を紹介してくれる人は？」とかを検索むずい ナレッジグラフは構造化データと非構造化データをうまく扱えてベクトル検索の苦手を補える 課題はあるけどナレッジグラフは、Neo４jとLangchainで構築できるよ。 はじめに 今回はベクトル検索の苦手分野をどうしても補ってあげたいとおもっている筆者やまぐちが、ベクトル検索の苦手を補ってあげられるナレッジグラフに関してまとめていこうと思います。 少々長い記事ですが、ベクトル検索を労ってあげたいと思っている方はぜひ読んでください。 ベクトル検索の限界 以前の記事の最後にも少しだけ記載しましたが、ベクトル検索は以下の問題点があります。 必要な情報がTop Kのドキュメントには含まれていない可能性がある。 チャンクの
はじめ 前回はベクトル検索について詳しく解説しました。今回は最近話題になっているRAGについて、業務で実際に構築した例をベースにお話出来れば、と思います。 前回の記事: 本記事では、RAGについての軽い解説と実践について、ChatBotのAWS上でのアーキテクチャ例の紹介と一部実装例を紹介します。 検索拡張生成（RAG）について 大まかに以下のようなアーキテクチャを取るシステムです。 図１．RAGのアーキテクチャ RAG（Retrieval-Augmented Generation）は、検索機能とテキスト生成を組み合わせた技術です。和訳して、検索拡張生成とも言います。上記アーキテクチャを採用することで、特定のクエリや質問に対してより正確で専門的な情報に基づいた回答を生成することができます。また、大規模言語モデルが起こすハルシネーション(嘘をさも本当のことかのように話してしまう)を軽減するこ
出オチです。（タイトル先行で始める技術ブログがあってもいいじゃない） 先にデモを提示します。 自由に使っていただいて構いません。（びっくりする課金が来たら、止めますw） ここのところ、簡単に構築できる生成AIアプリづくりが個人的ブームになってます。Qiitaをナレッジの情報源としたRAGを作ってみましたので、作り方を解説します。 使用するもの 生成AI：Amazon Bedrock (Claude 3 Haiku) ドキュメント取得：Google検索 画面UI：Streamlit 処理の流れ 先日投稿した記事と同様、以下の流れを行います。 検索クエリ生成 検索 回答生成 プロンプトはClaudeの開発元のAnthripicが公開しているクックブックを参考にしました。 解説 1. 検索クエリ生成 ユーザーの質問文をもとに検索クエリを生成します。Amazon BedrockのClaude 3
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
