چگونه TigerGraph CoPilot هوش مصنوعی افزوده شده با نمودار را فعال می کند

TigerGraph CoPilot از طریق جستارهای زبان طبیعی و RAG مبتنی بر نمودار، چالش‌های پیچیده تجزیه و تحلیل داده‌ها و کاستی‌های جدی LLM‌ها را برای کاربردهای تجاری برطرف می‌کند.

داده‌ها پتانسیل ارائه بینش‌های تجاری متحول کننده در صنایع مختلف را دارند، اما استفاده از آن داده‌ها چالش‌های مهمی را به همراه دارد. بسیاری از کسب‌وکارها با اضافه بار داده‌ها، با حجم وسیعی از داده‌ها دست و پنجه نرم می‌کنند که مورد استفاده قرار نمی‌گیرند. چگونه سازمان ها می توانند با حجم زیاد و رو به رشد داده ها بدون به خطر انداختن عملکرد و کارایی عملیاتی برخورد کنند؟ چالش دیگر استخراج بینش از داده های پیچیده است. به طور سنتی، این کار به تخصص فنی قابل توجهی نیاز دارد و دسترسی به دانشمندان و تحلیلگران داده تخصصی را محدود می کند.

پیشرفت‌های اخیر هوش مصنوعی در پردازش زبان طبیعی دسترسی به داده‌ها را دموکراتیک می‌کند و طیف وسیع‌تری از کاربران را قادر می‌سازد تا مجموعه‌های داده پیچیده را جستجو و تفسیر کنند. این دسترسی گسترده به سازمان‌ها کمک می‌کند تا تصمیمات آگاهانه را به سرعت اتخاذ کنند و از توانایی خلبانان هوش مصنوعی برای پردازش و تجزیه و تحلیل داده‌های مقیاس بزرگ در زمان واقعی سرمایه‌گذاری کنند. خلبان‌های هوش مصنوعی همچنین می‌توانند هزینه‌های بالای مربوط به مدیریت مجموعه‌های داده بزرگ را با خودکار کردن فرآیندهای پیچیده داده و توانمندسازی کارکنان فنی کمتر برای انجام تجزیه و تحلیل داده‌های پیچیده، کاهش دهند، بنابراین تخصیص کلی منابع را بهینه می‌کنند.

با این حال،

هوش مصنوعی مولد و مدل‌های زبان بزرگ (LLM) خالی از کاستی نیستند. اکثر LLM ها بر اساس هدف عمومی، دانش عمومی ساخته شده اند. آنها اطلاعات خاص و گاه محرمانه یک سازمان خاص را نمی دانند. همچنین به روز نگه داشتن LLM ها با اطلاعات در حال تغییر بسیار چالش برانگیز است. با این حال، جدی ترین مشکل، توهمات است – زمانی که فرآیندهای آماری در یک مدل تولیدی، عباراتی را تولید می کنند که به سادگی درست نیستند.

نیاز فوری به هوش مصنوعی وجود دارد که از نظر زمینه‌ای مرتبط‌تر و کمتر مستعد خطا باشد. این امر به ویژه در تجزیه و تحلیل پیش‌بینی‌کننده و یادگیری ماشینی حیاتی است، جایی که کیفیت داده‌ها می‌تواند مستقیماً بر نتایج کسب‌وکار تأثیر بگذارد.

معرفی TigerGraph CoPilot

TigerGraph CoPilot یک دستیار هوش مصنوعی است که قدرت پایگاه‌های داده گراف و هوش مصنوعی مولد را برای افزایش بهره‌وری در عملکردهای مختلف کسب‌وکار، از جمله کارهای تجزیه و تحلیل، توسعه، و مدیریت ترکیب می‌کند. TigerGraph CoPilot به تحلیلگران تجاری، دانشمندان داده و توسعه دهندگان اجازه می دهد تا از زبان طبیعی برای اجرای پرس و جوهای بلادرنگ در برابر داده های به روز در مقیاس استفاده کنند. سپس می‌توان بینش‌ها را از طریق زبان طبیعی، تجسم‌های نموداری و سایر دیدگاه‌ها ارائه و تحلیل کرد.

TigerGraph CoPilot با افزایش دقت و کاهش توهمات، به برنامه‌های هوش مصنوعی مولد ارزش می‌افزاید. با CoPilot، سازمان‌ها می‌توانند از پتانسیل کامل داده‌های خود بهره ببرند و تصمیم‌گیری آگاهانه را در طیفی از حوزه‌ها از جمله خدمات مشتری، بازاریابی، فروش، علم داده، توسعه و مهندسی هدایت کنند.

ویژگی ها و مزایای کلیدی TigerGraph CoPilot

• جستجوی زبان طبیعی با گراف
• هوش مصنوعی مولد با گراف
• هوش مصنوعی قابل اعتماد و مسئولیت پذیر
• مقیاس پذیری و عملکرد بالا

جستجوی زبان طبیعی با گراف

TigerGraph CoPilot به کاربران غیر فنی اجازه می دهد تا از گفتار روزمره خود برای پرس و جو و تجزیه و تحلیل داده های خود استفاده کنند، و آنها را آزاد می کند تا به جای یادگیری یک فناوری جدید یا زبان رایانه، روی بینش های استخراج تمرکز کنند. برای هر سوال، CoPilot یک تعامل سه مرحله‌ای جدید با پایگاه داده TigerGraph و یک LLM انتخابی کاربر به کار می‌گیرد تا پاسخ‌های دقیق و مرتبط به دست آورد.

مرحله اول سؤال را با داده های خاص موجود در پایگاه داده هماهنگ می کند. TigerGraph CoPilot از LLM برای مقایسه سؤال با طرح نمودار استفاده می کند و موجودیت های سؤال را با عناصر گراف جایگزین می کند. به عنوان مثال، اگر یک نوع راس از BareMetalNode وجود داشته باشد و کاربر بپرسد “چند سرور وجود دارد؟”، این سوال به “چند رئوس BareMetalNode وجود دارد؟” ترجمه می‌شود.

در مرحله دوم، TigerGraph CoPilot از LLM برای مقایسه سوال تبدیل شده با مجموعه ای از پرس و جوها و توابع پایگاه داده انتخاب شده استفاده می کند تا بهترین تطابق را انتخاب کند. استفاده از پرس و جوهای از پیش تأیید شده مزایای متعددی را به همراه دارد. اول از همه، احتمال توهم را کاهش می دهد، زیرا معنا و رفتار هر پرس و جو تأیید شده است. دوم، سیستم پتانسیل پیش بینی منابع اجرایی مورد نیاز برای پاسخ به سوال را دارد.

در مرحله سوم، TigerGraph CoPilot کوئری شناسایی شده را اجرا می کند و نتیجه را به زبان طبیعی همراه با استدلال پشت اعمال برمی گرداند. جستجوی زبان طبیعی تقویت‌شده با نمودار CoPilot، نرده‌های محافظ قوی ارائه می‌کند، خطر توهمات مدل را کاهش می‌دهد، معنای هر پرسش را روشن می‌کند، و درک عواقب را ارائه می‌دهد.

هوش مصنوعی مولد با گراف

TigerGraph CoPilot همچنین می‌تواند چت‌بات‌هایی را با هوش مصنوعی افزوده شده با نمودار روی اسناد خود کاربر ایجاد کند. نیازی به داشتن یک پایگاه داده گراف موجود نیست. در این حالت کار، TigerGraph CoPilot یک نمودار دانش از منابع منبع می‌سازد و نوع منحصربه‌فرد آن از نسل تقویت‌شده بازیابی (RAG) را برای بهبود ارتباط متنی و دقت پاسخ‌ها به سوالات زبان طبیعی به کار می‌گیرد.< /p>

ابتدا، هنگام بارگیری اسناد کاربران، TigerGraph CoPilot موجودیت ها و روابط را از تکه های سند استخراج می کند و یک نمودار دانش از اسناد می سازد. نمودارهای دانش، اطلاعات را در قالبی ساختاریافته سازماندهی می کنند و نقاط داده را از طریق روابط به هم متصل می کنند. CoPilot همچنین مفاهیم را شناسایی می کند و یک هستی شناسی می سازد، معناشناسی و استدلال را به نمودار دانش اضافه می کند، یا کاربران می توانند هستی شناسی مفهومی خود را ارائه دهند. سپس، با استفاده از این نمودار دانش جامع، CoPilot بازیابی‌های ترکیبی را انجام می‌دهد و جستجوی برداری سنتی و پیمایش نمودار را ترکیب می‌کند تا اطلاعات مرتبط‌تر و زمینه غنی‌تر را برای پاسخ به سؤالات کاربران جمع‌آوری کند.

سازماندهی داده‌ها به‌عنوان یک نمودار دانش به یک ربات چت اجازه می‌دهد تا به اطلاعات دقیق و مبتنی بر واقعیت به سرعت و کارآمد دسترسی پیدا کند، در نتیجه وابستگی به ایجاد پاسخ‌ها از الگوهای آموخته‌شده در طول آموزش را کاهش می‌دهد، که گاهی اوقات ممکن است نادرست یا قدیمی باشند.

هوش مصنوعی قابل اعتماد و مسئولیت پذیر

TigerGraph CoPilot با اجازه دادن به LLMها برای دسترسی به پایگاه داده نمودار از طریق پرس و جوهای انتخاب شده، توهمات را کاهش می دهد. همچنین به همان کنترل دسترسی مبتنی بر نقش و اقدامات امنیتی (که قبلاً بخشی از پایگاه داده TigerGraph است) برای اطمینان از هوش مصنوعی مسئول پایبند است. TigerGraph CoPilot همچنین از باز بودن و شفافیت با منبع باز کردن اجزای اصلی خود و اجازه دادن به کاربران برای انتخاب سرویس LLM خود پشتیبانی می کند.

مقیاس پذیری و عملکرد بالا

با استفاده از پایگاه داده TigerGraph، TigerGraph CoPilot عملکرد بالایی را برای تجزیه و تحلیل گراف به ارمغان می آورد. به عنوان یک راه حل graph-RAG، از پایگاه های دانش در مقیاس بزرگ برای راه حل های پرسش و پاسخ مبتنی بر نمودار دانش پشتیبانی می کند.

موارد استفاده از کلید TigerGraph CoPilot 

• بینش‌های زبان طبیعی داده‌ها
• پرسش و پاسخ غنی از زمینه

بینش‌های زبان طبیعی داده‌ها

چه یک تحلیلگر تجاری، متخصص یا محقق باشید، TigerGraph CoPilot شما را قادر می سازد تا اطلاعات و بینش را به سرعت از داده های خود دریافت کنید. برای مثال، CoPilot می‌تواند با پاسخ دادن به سؤالاتی مانند «لیست موارد کلاهبرداری اخیر را که مثبت کاذب بودند به من نشان بده» گزارش‌هایی برای بازرسان کلاهبرداری ایجاد کند. CoPilot همچنین تحقیقات دقیق تری مانند “چه کسی در ماه گذشته با حساب ۱۲۳ تراکنش هایی با مبالغ بیش از ۱۰۰۰ دلار داشته است؟” را تسهیل می کند.

TigerGraph CoPilot حتی می‌تواند با پیمایش نمودار شما در امتداد وابستگی‌ها به سؤالات «چه می‌شد» پاسخ دهد. به عنوان مثال، می توانید به راحتی متوجه شوید که “چه تامین کنندگان می توانند کمبود قطعه ۱۲۳ را پوشش دهند؟” از نمودار زنجیره تامین شما، یا “چه خدماتی با ارتقاء به سرور ۳۲۱ تحت تاثیر قرار خواهند گرفت” از نمودار زیرساخت دیجیتال شما.

پرسش و پاسخ غنی از متن

TigerGraph CoPilot یک راه حل کامل برای ساخت ربات گفتگوی پرسش و پاسخ بر روی داده ها و اسناد خود ارائه می دهد. رویکرد RAG مبتنی بر نمودار دانش، بازیابی اطلاعات دقیق را امکان پذیر می کند که پاسخ های بهتر و تصمیم گیری های آگاهانه تر را تسهیل می کند. پرسش و پاسخ غنی از زمینه CoPilot به طور مستقیم بهره وری را بهبود می بخشد و هزینه ها را در برنامه های کاربردی پرسش و پاسخ معمولی مانند مراکز تماس، خدمات مشتری، و جستجوی دانش کاهش می دهد.

به‌علاوه، با ادغام یک نمودار دانش سند و یک نمودار تجاری موجود (به عنوان مثال، نمودار محصول) در یک نمودار هوشمند، TigerGraph CoPilot می‌تواند مشکلاتی را که با راه‌حل‌های RAG دیگر قابل حل نیست، برطرف کند. به عنوان مثال، با ترکیب سابقه خرید مشتریان با نمودارهای محصول، CoPilot می‌تواند توصیه‌های شخصی دقیق‌تری را هنگامی که مشتریان عبارت‌های جستجوی خود را تایپ می‌کنند یا درخواست توصیه می‌کنند، ارائه دهد. با ترکیب تاریخچه پزشکی بیماران با نمودارهای مراقبت های بهداشتی، پزشکان یا متخصصان سلامت می توانند اطلاعات مفیدتری در مورد بیماران برای ارائه تشخیص یا درمان بهتر به دست آورند.

گراف با هوش مصنوعی مولد ملاقات می کند

TigerGraph CoPilot هم به چالش‌های پیچیده مرتبط با مدیریت و تجزیه و تحلیل داده‌ها و هم به کاستی‌های جدی LLM برای کاربردهای تجاری می‌پردازد. با استفاده از قدرت پردازش زبان طبیعی و الگوریتم‌های پیشرفته، سازمان‌ها می‌توانند بینش‌های تجاری متحول کننده را باز کنند و در عین حال بار بیش از حد داده و موانع دسترسی را مرور کنند. با ضربه زدن روی RAG مبتنی بر نمودار، آنها می توانند از دقت و ارتباط خروجی LLM اطمینان حاصل کنند.

CoPilot به طیف وسیع تری از کاربران اجازه می دهد تا به طور موثر از داده ها استفاده کنند، تصمیم گیری آگاهانه و بهینه سازی تخصیص منابع در بین سازمان ها را هدایت کنند. ما معتقدیم که این یک گام مهم رو به جلو در دموکراتیزه کردن دسترسی به داده ها و توانمندسازی سازمان ها برای استفاده از پتانسیل کامل دارایی های داده خود است.

حمید عزاوه مدیر عامل TigerGraph است.

—

Generative AI Insights مکانی را برای رهبران فناوری – از جمله فروشندگان و سایر مشارکت‌کنندگان خارجی – فراهم می‌کند تا چالش‌ها و فرصت‌های هوش مصنوعی مولد را بررسی و بحث کنند. این انتخاب گسترده است، از غواصی عمیق فناوری گرفته تا مطالعات موردی گرفته تا نظرات متخصص، اما همچنین ذهنی است، بر اساس قضاوت ما در مورد اینکه کدام موضوعات و درمان ها به بهترین وجه به مخاطبان فنی پیشرفته InfoWorld خدمت می کنند. InfoWorld وثیقه بازاریابی را برای انتشار نمی پذیرد و حق ویرایش تمام محتوای ارائه شده را برای خود محفوظ می دارد. تماس با doug_dineley@foundryco.com.