Neo4j: The Definitive Guide

第13章. 生成AIによるグラフの未来

この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている：[e-mail]

AIの世界は急速に進化し続けている。間違いなく、本書を手にする頃には、この分野は大きく進歩しているだろう。この最終章では、グラフがなぜこのような違いを生むのか、そしてNeo4jがどのように、イノベーションの最も有望なフロンティアの一つであるGenAIを取り入れたのかを発見する。

ChatGPTが2022年に劇的に登場したとき、それは世界の想像力をかきたてた。主に質問に答えるために使われたが、すぐにテキスト要約や画像生成へと進化した。GenAIのモデルはコンテンツ作成とパターン認識には優れているが、事実の正確さには苦戦しており、信頼できない結果になることが多いことはすぐに明らかになった。LLMがコンテンツを生成するとき、彼らはトレーニング中に学習した統計パターンに基づいて、次に何が来るべきかを予測している。しかし、より最近の、あるいは関連する情報についてのトレーニングを受けていない場合、彼らは幻覚を見る傾向があり、常に信頼できるわけではない自信に満ちた「事実」をプロデューサする。自明でないビジネス・ドメインにとって、この現象は憂慮すべきものである。

検索拡張生成（RAG）アーキテクチャ（）は、LLMレスポンスが事実に基づき、様々な知識源から得られることを保証することで、GenAIシステムの信頼性を向上させる。知識グラフは実世界の実体と、それらの間に存在する複雑な関係を表す。LLMは事実のソースとして知識グラフに依存することで、より偏りの少ない、より正確なレスポンスを生成することができる。

GenAIの台頭により、ナレッジグラフは再び脚光を浴び、ある種の共生関係も作成された。ナレッジグラフはLLMを事実情報の根拠とし、LLMは構造化されていないテキストからナレッジグラフを作成する時間と労力を大幅に削減する手助けをする。

この最終章では、ナレッジグラフとは何か、どこで使われるのか、なぜナレッジグラフがGraphRAGの基礎となるのか、そして非構造化データからナレッジグラフを作成するスピードアップにLLMがどのような役割を果たせるのかについて、明確なイメージを得ることができる。この章では、特定のツールやフレームワークについては取り上げない。本書が印刷される頃には、ほぼ間違いなく新しいものに取って代わられているからだ。Neo4j for GenAIのページは、この分野の最新の進歩を知るために追跡すべきものである。あなたが今までに慣れ親しんできたコアドメインに忠実に、あなたはGenAIでElectricHarmonyを3000年に持っていくだろうが、視野を広げ、他の多くのドメインが知識グラフからどのような利点があるかを探求することになるだろう。

ナレッジグラフ

ナレッジグラフは、実世界の実体とその関係について、通常Neo4jのようなグラフデータベースに格納される。ナレッジグラフは、ある種の組織原理を組み込んでいる。ノードと関係がどのように組織化されているかを指定するフレームワークである。スキーマのような単純なものから、タクソノミやオントロジーを含み、推論エンジンを動かせるほど複雑なものまである。

分類法は 主に分類システムである。特定の特性や特徴に基づいてエンティティをカテゴリーにグループ化し、これらのカテゴリーを階層的に整理する。分類法は通常、IS-A またはSUBCLASS-OF ...