通過對比其他商用LLM的缺陷，本文詳細介紹了TigerGraph CoPilot的主要功能、優(yōu)點、以及兩個關(guān)鍵用例。

近年來，數(shù)據(jù)作為一種生產(chǎn)要素，已經(jīng)能夠有能力為我們提供橫跨不同行業(yè)的變革性商業(yè)見解了。不過，如何利用好可以獲得的大數(shù)據(jù)，往往給我們帶來了不小的挑戰(zhàn)。一面是過載的數(shù)據(jù)，一面卻是大量未被充分利用的數(shù)據(jù)孤島。不少專業(yè)數(shù)據(jù)科學家和分析師亟待通過專業(yè)知識，讓自己所在的組織能夠在不犧牲性能和運營效率的情況下，及時地處理持續(xù)增長的數(shù)據(jù)，并從復雜的數(shù)據(jù)中提取潛藏在表層之下的見解。

最近，人工智能(AI)在自然語言處理方面的突破，改變了數(shù)據(jù)集中化訪問的方式。通過充分利用人工智能CoPilot的實時處理和分析大規(guī)模數(shù)據(jù)的能力，更多的用戶可以輕松地查詢和解釋復雜的數(shù)據(jù)集，進而有助于組織快速做出明智的決策。同時，人工智能CoPilot也可以通過自動化復雜的數(shù)據(jù)流程，以及授權(quán)較少的技術(shù)人員進行深層次的數(shù)據(jù)分析，管理與控制大型數(shù)據(jù)集的高昂成本，進而優(yōu)化資源的整體分配。

不過，生成式AI和大語言模型(LLM并非毫無瑕疵。由于大多數(shù)LLM都建立在通用的公共知識的基礎(chǔ)上，因此它們無法知曉特定組織的特定數(shù)據(jù)，更不用說那些機密數(shù)據(jù)了。同時，LLM除了無法了解不斷變化的信息世界，另一個更為嚴重的問題是“幻覺”。也就是說，生成式模型在其統(tǒng)計過程所生成的結(jié)論，可能只是其一廂情愿，而根本不真實。

可見，我們迫切需要一種更具備上下文相關(guān)性、更少出錯的AI，在預測分析和機器學習過程中，提供能夠直接提升業(yè)務(wù)決策準確度的優(yōu)質(zhì)數(shù)據(jù)。

TigerGraph CoPilot簡介

作為一款AI助手，TigerGraph CoPilot結(jié)合了圖形數(shù)據(jù)庫和生成式AI的功能，旨在提高分析、開發(fā)和管理各種業(yè)務(wù)任務(wù)的生產(chǎn)力。TigerGraph CoPilot允許業(yè)務(wù)分析師、數(shù)據(jù)科學家、以及開發(fā)人員，使用自然語言對大規(guī)模的最新數(shù)據(jù)執(zhí)行實時查詢，以獲得從自然語言、圖形可視化、以及其他視角來展示和分析的數(shù)據(jù)見解。

針對前文提到的AI缺陷，TigerGraph CoPilot可以通過提高準確性和減少幻覺，來為組織充分挖掘數(shù)據(jù)潛力，并在客戶服務(wù)、市場營銷、產(chǎn)品銷售、數(shù)據(jù)科學、開發(fā)和工程等領(lǐng)域推動知情決策，真正體現(xiàn)生成式AI應(yīng)用的價值所在。

TigerGraph CoPilot的主要功能和優(yōu)勢

• 圖形增強式自然語言查詢
• 針對圖形增強的生成式AI
• 可靠且負責任(相對于幻覺而言)的AI
• 高性能與擴展性

圖形增強式自然語言查詢

TigerGraph CoPilot允許非技術(shù)用戶使用日常交流語言對數(shù)據(jù)進行查詢和分析。這使得他們能夠更專注于挖掘見解，而不必學習新的技術(shù)或計算機語言。針對每一個用戶問題，CoPilot都會采用一種新穎的三段式交互方法(如下)，同時與TigerGraph數(shù)據(jù)庫及用戶選擇的LLM進行交互，以獲得準確和相關(guān)的回答。

• 在第一階段，TigerGraph CoPilot會將問題與數(shù)據(jù)庫中可用的特定數(shù)據(jù)予以比對。具體而言，它會使用LLM將問題與圖形的模式進行比較，并用圖形元素替換問題中的實體。例如，如果有一個頂點(vertex)類型為BareMetalNode，并且用戶詢問“有多少服務(wù)器?”，那么問題就會被轉(zhuǎn)換為“有多少BareMetalNode頂點?”
• 在第二階段，TigerGraph CoPilot使用LLM將轉(zhuǎn)換后的問題，與一組精心策劃的數(shù)據(jù)庫查詢與函數(shù)進行比較，以選擇最佳匹配。使用預先批準的查詢通常會有兩個好處：

首先，由于每個查詢的含義和行為都經(jīng)歷了驗證，因此它們有效地降低了產(chǎn)生幻覺的可能性。

其次，該系統(tǒng)具有預測回答問題所要調(diào)用的執(zhí)行資源的潛力。

• 在第三階段，TigerGraph CoPilot會執(zhí)行那些已識別的查詢，并以自然語言返回相關(guān)結(jié)果，及其背后運作的推理。同時，CoPilot的圖形增強式自然語言查詢，提供了良好的屏障，既能降低模型幻覺的風險，又可澄清每個查詢的含義，還會提供對結(jié)果的理解。

針對圖形增強的生成式AI

TigerGraph CoPilot可以基于用戶自己的文檔和數(shù)據(jù)，創(chuàng)建帶有圖形增強AI的聊天機器人，且無需現(xiàn)有的圖形數(shù)據(jù)庫。在這種操作模式下，TigerGraph CoPilot會通過資源材料來構(gòu)建知識圖，并應(yīng)用其獨特的檢索增強生成(RAG)的變體，來提高自然語言問題答案的上下文相關(guān)性和準確性。

首先，在加載用戶文檔時，TigerGraph CoPilot會從文檔塊中提取實體和關(guān)系，并從文檔中構(gòu)造出知識圖。知識圖往往通過關(guān)系連接數(shù)據(jù)點，以結(jié)構(gòu)化的格式來組織信息。同時，CoPilot還會識別概念，構(gòu)建本體，向知識圖中添加語義和推理。當然，用戶也可以提供自己的概念本體。

然后，通過使用該綜合知識圖，CoPilot會執(zhí)行混合檢索，即：結(jié)合傳統(tǒng)的矢量搜索和圖形遍歷，來收集更多的相關(guān)信息和更為豐富的上下文，以回答用戶的各類問題。

通過將數(shù)據(jù)組織為知識圖，聊天機器人可以快速且高效地訪問到準確的、基于事實的信息，從而減少了對于需要根據(jù)培訓過程的學習模式，來生成響應(yīng)的依賴。畢竟，這樣的模式有時可能并不正確、甚至已經(jīng)過時。

可靠且負責任的AI

如前文所述，TigerGraph CoPilot通過允許LLM管理查詢，來訪問圖形數(shù)據(jù)庫，以緩解幻覺。同時，它能夠通過采取相同的、基于角色的訪問控制和安全措施(已經(jīng)成為了TigerGraph數(shù)據(jù)庫的一部分)，來確保實現(xiàn)負責任的AI。此外，TigerGraph CoPilot還通過開放其主要組件，并允許用戶選擇其LLM服務(wù)，來保持開放性和透明性。

高性能與擴展性

通過利用TigerGraph數(shù)據(jù)庫，TigerGraph CoPilot為圖形分析提供了較高的性能。而作為一個基于圖形的RAG解決方案，它也為知識圖驅(qū)動的問答提供了大規(guī)模的可擴展的知識庫。

TigerGraph CoPilot關(guān)鍵用例

• 從自然語言到數(shù)據(jù)見解
• 內(nèi)容豐富的問答

從自然語言到數(shù)據(jù)見解

無論您是業(yè)務(wù)分析師、數(shù)據(jù)專家、還是調(diào)查人員，TigerGraph CoPilot都能夠讓您快速地從數(shù)據(jù)中獲取信息和見解。例如，CoPilot可以通過回答“請給我展示最近誤報的欺詐案件列表”等問題，為欺詐調(diào)查人員生成相關(guān)報告。同時，CoPilot也可以促進更準確的調(diào)查，例如：“誰在過去一個月里，與123賬戶進行了金額超過1000美元的交易?”

TigerGraph CoPilot甚至可以通過沿著依賴關(guān)系去遍歷圖形，以回答諸如“如果……會怎么樣”等問題。例如，您可以從供應(yīng)鏈圖中，輕松找到“哪些供應(yīng)商可以彌補部件123的短缺?”或從數(shù)字基礎(chǔ)設(shè)施圖中，找到“哪些服務(wù)會受到服務(wù)器321升級的影響?”

內(nèi)容豐富的問答

TigerGraph CoPilot在為用戶的數(shù)據(jù)和文檔構(gòu)建問答聊天機器人時，能夠基于知識圖的RAG方法，實現(xiàn)上下文信息的準確檢索，以便給出更好的答案和更明智的決策?？梢哉f，由CoPilot給出的、內(nèi)容豐富的問答，直接提高了典型問答應(yīng)用(如：呼叫中心、客戶服務(wù)、以及知識搜索等場景)的生產(chǎn)力，并且降低了構(gòu)建成本。

此外，通過將文檔知識圖和現(xiàn)有的業(yè)務(wù)圖(如：產(chǎn)品圖)合并為一個智能圖，TigerGraph CoPilot可以解決其他RAG方案所無法應(yīng)對的問題。例如，通過將客戶的購買歷史與產(chǎn)品圖表相結(jié)合，CoPilot可以在客戶鍵入搜索查詢、或要求推薦時，做出更加準確的個性化建議。其典型場景包括：通過將患者的病史與健康圖表相結(jié)合，醫(yī)生或健康專家便可以獲得有關(guān)患者的更多實用信息，以提供更好的診斷或治療。

小結(jié)

綜上所述，相比其他商用LLM應(yīng)用，TigerGraph CoPilot解決了復雜數(shù)據(jù)管理與相關(guān)分析的挑戰(zhàn)。通過它在自然語言處理和高級算法方面的強大功能，組織可以在克服數(shù)據(jù)過載和應(yīng)對數(shù)據(jù)訪問欠佳方面，獲取巨大的業(yè)務(wù)洞察。同時，通過利用基于圖形的RAG，它也可以確保LLM輸出的準確性和相關(guān)性。

鑒于CoPilot允許更廣泛的用戶有效地利用數(shù)據(jù)，做出明智的決策，并能優(yōu)化組織間的資源分配。我們認為，這是在實現(xiàn)數(shù)據(jù)訪問民主化，以及賦能組織充分利用其數(shù)據(jù)資產(chǎn)潛力方面的重大進步。

譯者介紹

陳峻(Julian Chen)，51CTO社區(qū)編輯，具有十多年的IT項目實施經(jīng)驗，善于對內(nèi)外部資源與風險實施管控，專注傳播網(wǎng)絡(luò)與信息安全知識與經(jīng)驗。

原文標題：How TigerGraph CoPilot enables graph-augmented AI，作者：Hamid Azzawe

鏈接：https://www.infoworld.com/article/3715344/how-tigergraph-copilot-enables-graph-augmented-ai.html。