LLM Knowledge Graph Builder jedan je od alata za ekosustav GraphRAG tvrtke Neo4j koji vam omogućuje pretvaranje nestrukturiranih podataka u dinamičke grafikone znanja. Integriran je s chatbotom za generiranje proširenog dohvaćanja (RAG), koji omogućuje postavljanje upita prirodnim jezikom i objašnjive uvide u vaše podatke.   Započnite s GraphRAG-om: alati ekosustava Neo4j  Što je Neo4j LLM Knowledge Graph Builder?  Neo4j   je inovativna online aplikacija za pretvaranje nestrukturiranog teksta u grafikon znanja bez koda i Cyphera, pružajući čarobno iskustvo pretvaranja teksta u grafikon. Koristi ML modele (LLM-ovi: OpenAI, Gemini, Diffbot) za transformaciju PDF-ova, web stranica i YouTube videozapisa u grafikon znanja entiteta i njihovih odnosa. LLM Knowledge Graph Builder  Prednji kraj je React aplikacija temeljena na našem   , a stražnji kraj je Python FastAPI aplikacija. Koristi   koji je Neo4j pridonio LangChainu. Needle Starter Kitu llm-graph-transformer modul   Aplikacija pruža besprijekorno iskustvo, slijedeći četiri jednostavna koraka:    podržava različite izvore podataka, uključujući PDF dokumente, stranice Wikipedije, YouTube videozapise i još mnogo toga. Prijem podataka —    koristi LLM-ove za prepoznavanje i izdvajanje entiteta i odnosa iz nestrukturiranog teksta. Prepoznavanje entiteta —    Pretvara prepoznate entitete i odnose u format grafikona, koristeći mogućnosti Neo4j grafikona. Graph Construction —    pruža intuitivno web sučelje za interakciju korisnika s aplikacijom, olakšavajući učitavanje izvora podataka, vizualizaciju generiranog grafikona i interakciju s RAG agentom. Ova mogućnost posebno je uzbudljiva jer omogućuje intuitivnu interakciju s podacima, sličnu razgovoru sa samim grafikonom znanja — nije potrebno tehničko znanje.  Korisničko sučelje —  Idemo isprobati  Pružamo aplikaciju u našem   bez potrebe za kreditnim karticama i bez LLM ključeva — bez problema. okruženju hostiranom na Neo4j  Alternativno, da biste ga pokrenuli lokalno ili unutar svog okruženja, posjetite javni   i slijedite upute korak po korak koje ćemo obraditi u ovom postu. GitHub repo  Prije nego otvorimo i upotrijebimo LLM Knowledge Graph Builder, stvorimo novu Neo4j bazu podataka. Za to možemo koristiti besplatnu AuraDB bazu podataka slijedeći ove korake:  Prijavite se ili kreirajte račun na   . https://console.neo4j.io  Pod Instancama stvorite novu AuraDB besplatnu bazu podataka.  Preuzmite datoteku vjerodajnica.  Pričekajte da se instanca pokrene.  Sada kada imamo pokrenutu našu Neo4j bazu podataka i svoje vjerodajnice, možemo otvoriti LLM Knowledge Graph Builder i kliknuti   u gornjem desnom kutu.  Connect to Neo4j Ispustite prethodno preuzetu datoteku vjerodajnica u dijaloški okvir za povezivanje. Svi podaci trebaju biti automatski popunjeni. Alternativno, sve možete unijeti ručno.  Stvaranje Grafa znanja  Proces počinje unosom vaših nestrukturiranih podataka, koji se zatim prosljeđuju kroz LLM kako bi se identificirali ključni entiteti i njihovi odnosi.  PDF-ove i druge datoteke možete povući i ispustiti u prvu zonu unosa s lijeve strane. Drugi unos će vam omogućiti da kopirate/zalijepite vezu na YouTube video koji želite koristiti, dok treći unos uzima vezu na stranicu Wikipedije.  Za ovaj primjer, učitati ću nekoliko PDF-ova koje imam o tvrtki za opskrbni lanac pod nazivom GraphACME,   i   o Direktivi o temeljitoj pažnji o održivosti poduzeća (CSDDD), kao i dvije stranice s Wikipedije:   i   . novinski članak iz Forbesa YouTube video Direktiva o korporativnoj održivosti Due Diligence Bangladeš  Tijekom učitavanja datoteka, aplikacija će pohraniti učitane izvore kao čvorove dokumenta u grafikonu koristeći LangChain Document Loaders i YouTube parsere. Nakon što se sve datoteke učitaju, trebali biste vidjeti nešto slično ovome:   Sve što sada trebamo učiniti je odabrati model koji ćemo koristiti, kliknuti   i pustiti da magija učini ostalo za vas! Generate Graph  Ako želite samo generirati odabir datoteka, možete prvo odabrati datoteke (pomoću potvrdnog okvira u prvom stupcu tablice) i kliknuti   . Generiraj grafikon   ⚠️  Imajte na umu da ako želite koristiti unaprijed definiranu ili vlastitu shemu grafikona, možete kliknuti ikonu postavki u gornjem desnom kutu i odabrati unaprijed definiranu shemu s padajućeg izbornika, upotrijebiti vlastitu tako što ćete je zapisati oznake i odnose čvorova, povucite postojeću shemu iz postojeće Neo4j baze podataka ili kopirajte/zalijepite tekst i zamolite LLM da ga analizira i osmisli predloženu shemu.  Dok obrađuje vaše datoteke i stvara vaš Grafikon znanja, dopustite mi da rezimiram što se događa ispod haube:  Sadržaj je podijeljen u dijelove.  Dijelovi su pohranjeni u grafikonu i povezani s čvorom dokumenta i međusobno za napredne RAG uzorke.  Vrlo slični dijelovi povezani su SLIČNIM odnosom kako bi formirali graf K-najbližih susjeda.  Ugradnje se izračunavaju i pohranjuju u komade i vektorski indeks.  Koristeći llm-graph-transformer ili diffbot-graph-transformer, entiteti i odnosi se izdvajaju iz teksta.  Entiteti su pohranjeni u grafu i povezani s izvornim dijelovima.  Istražite svoj Grafikon znanja  Informacije izvađene iz vašeg dokumenta strukturirane su u obliku grafikona, gdje entiteti postaju čvorovi, a odnosi se pretvaraju u rubove koji povezuju te čvorove. Ljepota korištenja Neo4j-a leži u njegovoj sposobnosti učinkovitog pohranjivanja i postavljanja upita ovim složenim mrežama podataka, čineći generirani grafikon znanja odmah korisnim za razne aplikacije.  Prije nego što upotrijebimo RAG agenta za postavljanje pitanja o našim podacima, možemo označiti jedan dokument (ili više) s potvrdnim okvirom i kliknuti   . Ovo će prikazati entitete stvorene za dokumente koje ste odabrali; također možete prikazati čvor dokumenta i komada u tom prikazu:  Prikaži grafikon  Gumb   otvorit će   koji će vam pomoći da vizualizirate i krećete se svojim novostvorenim grafikonom znanja. Sljedeća radnja —   briše odabrane dokumente i dijelove s grafikona (i entitete ako to odaberete u opcijama). Open Graph with Bloom Neo4j Bloom Izbriši datoteke —  Razgovarajte sa svojim znanjem  Sada dolazi posljednji dio: RAG agent kojeg možete vidjeti na desnoj ploči.  Proces dohvaćanja — kako funkcionira?  Slika ispod prikazuje pojednostavljeni prikaz GraphRAG procesa.   Kada korisnik postavi pitanje, koristimo Neo4j vektorski indeks s upitom za dohvaćanje kako bismo pronašli najrelevantnije dijelove za pitanje i njihove povezane entitete do dubine od 2 skoka. Također sažimamo povijest razgovora i koristimo je kao element za obogaćivanje konteksta.  Svi različiti ulazi i izvori (pitanje, vektorski rezultati, povijest razgovora) šalju se odabranom modelu LLM-a u prilagođenom upitu, tražeći da se pruži i oblikuje odgovor na postavljeno pitanje na temelju danih elemenata i konteksta. Naravno, prompt ima više magije, kao što je formatiranje, traženje citiranja izvora, da se ne špekulira ako odgovor nije poznat, itd. Cijeli prompt i upute mogu se pronaći kao   u   . FINAL_PROMPT QA_integration.py  Postavljajte pitanja u vezi s vašim podacima  U ovom sam primjeru učitao interne dokumente o lažnoj tvrtki pod nazivom GraphACME (sa sjedištem u Europi), koja proizvodi i dokumentira njihovu cjelokupnu strategiju i proizvode opskrbnog lanca. Također sam učitao novinski članak i YouTube video koji objašnjava novi CSDDD, njegov utjecaj i regulaciju. Sada možemo chatbotu postavljati pitanja o našem internom (lažnom) znanju o tvrtki — pitanja o zakonu o CSDDD-u, ili čak pitanja o oba, kao što je traženje popisa proizvoda koje proizvodi GraphACME, hoće li na njih utjecati uredba o CSDDD-u i ako da, kako će to utjecati na tvrtku.   Značajke chata  Na desnoj strani početnog zaslona primijetit ćete tri gumba pričvršćena na prozor za chat:    će zatvoriti sučelje chatbota. Zatvori    izbrisat će povijest razgovora trenutne sesije. Brisanje povijesti razgovora    otvorit će sučelje chatbota u načinu rada preko cijelog zaslona. Prozor maksimiziranja  Na odgovorima agenta RAG-a pronaći ćete tri značajke nakon odgovora:    će otvoriti skočni prozor za dohvaćanje informacija koji prikazuje kako je RAG agent prikupio i koristio izvore (dokumente), dijelove i entitete. Također su uključene informacije o korištenom modelu i potrošnji tokena. Pojedinosti    će kopirati sadržaj odgovora u međuspremnik. Kopiranje    čitat će sadržaj odgovora naglas.  Text-to-Speech  Zaključak  Da biste dublje zaronili u LLM Knowledge Graph Builder,   nudi mnoštvo informacija, uključujući izvorni kod i dokumentaciju. Osim toga, naša   pruža detaljne smjernice za početak, a   nudi daljnji uvid u šire dostupne alate i aplikacije. GitHub Repository Dokumentacija GenAI Ecosystem  Što je sljedeće — mogućnosti doprinosa i proširenja  Vaše iskustvo s LLM Knowledge Graph Builderom je neprocjenjivo. Ako naiđete na pogreške, imate prijedloge za nove značajke, želite doprinijeti ili želite vidjeti određena poboljšanja, platforma zajednice je savršeno mjesto za dijeljenje vaših misli. Za one koji su vješti u kodiranju, izravan doprinos na GitHubu može biti koristan način pomoći u razvoju projekta. Vaš doprinos i doprinos ne samo da pomažu u poboljšanju alata, već i potiču suradničku i inovativnu zajednicu:   Neo4j online zajednica   Pridružite se Neo4j Discord serveru!  Resursi  Saznajte više o novim resursima za GenAI aplikacije:   . Ovi alati otvorenog koda olakšavaju početak rada s GenAI aplikacijama utemeljenim na grafikonima znanja, koji pomažu u poboljšanju kvalitete odgovora i objašnjivosti te ubrzavaju razvoj i usvajanje aplikacija. Alati ekosustava Neo4j GraphRAG  Video   https://youtu.be/Z42VVH9qngo?si=lfu3ie5zS9woQ8h9&embedable=true  Linkovi   Započnite s GraphRAG-om: alati ekosustava Neo4j   GitHub – neo4j-labs/llm-graph-builder: konstrukcija Neo4j grafa iz nestrukturiranih podataka   Neo4j LLM Knowledge Graph Builder – Izdvojite čvorove i odnose iz nestrukturiranog teksta (PDF, YouTube, web stranice) – Neo4j Labs   GenAI ekosustav – Neo4j Labs   Needle StarterKit 2.0: predlošci, chatbot i više!

This story contains new, firsthand information uncovered by the writer.

This writer has a vested interest be it monetary, business, or otherwise, with 1 or more of the products or companies mentioned within.

Ovaj zvuk je proizveden na izvornom jeziku priče!

Savladavanje LLM grafikona znanja: izgradite i implementirajte GraphRAG u samo 5 minuta

About Author

KOMENTARI

VIJESI OZNAKE

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps