Los datos tienen el potencial de proporcionar conocimientos empresariales transformadores en diversas industrias, pero aprovecharlos presenta desafíos importantes. Muchas empresas luchan contra la sobrecarga de datos, con grandes cantidades de datos aislados y subutilizados. ¿Cómo pueden las organizaciones lidiar con volúmenes de datos grandes y crecientes sin sacrificar el rendimiento y la eficiencia operativa? Otro desafío es extraer información a partir de datos complejos. Tradicionalmente, este trabajo ha requerido una importante experiencia técnica, lo que restringe el acceso a científicos y analistas de datos especializados.
Avances recientes en IA en procesamiento natural del lenguaje están democratizando el acceso a los datos, permitiendo que una gama más amplia de usuarios consulte e interprete conjuntos de datos complejos. Este acceso ampliado ayuda a las organizaciones a tomar decisiones informadas rápidamente, aprovechando la capacidad de los copilotos de IA para procesar y analizar datos a gran escala en tiempo real. Los copilotos de IA también pueden frenar los altos costos asociados con la gestión de grandes conjuntos de datos al automatizar procesos de datos complejos y capacitar al personal menos técnico para realizar análisis de datos sofisticados, optimizando así la asignación general de recursos.
IA generativa y grandes modelos de lenguaje (LLM) sin embargo, no están exentos de deficiencias. La mayoría de los LLM se basan en conocimiento público de propósito general. No conocerán los datos específicos y a veces confidenciales de una organización en particular. También es un gran desafío mantener actualizados a los LLM con información en constante cambio. Sin embargo, el problema más grave son las alucinaciones, cuando los procesos estadísticos de un modelo generativo generan afirmaciones que simplemente no son ciertas.
Existe una necesidad urgente de una IA que sea más contextualmente relevante y menos propensa a errores. Esto es particularmente vital en el análisis predictivo y aprendizaje automáticodonde la calidad de los datos puede afectar directamente los resultados comerciales.
Presentamos TigerGraph CoPilot
TigerGraph CoPilot es un asistente de inteligencia artificial que combina los poderes de las bases de datos de gráficos y la inteligencia artificial generativa para mejorar la productividad en diversas funciones comerciales, incluidas las tareas de análisis, desarrollo y administración. TigerGraph CoPilot permite a los analistas de negocios, científicos de datos y desarrolladores utilizar lenguaje natural para ejecutar consultas en tiempo real con datos actualizados a escala. Luego, los conocimientos se pueden presentar y analizar mediante lenguaje natural, visualizaciones de gráficos y otras perspectivas.
TigerGraph CoPilot agrega valor a las aplicaciones de IA generativa al aumentar la precisión y reducir las alucinaciones. Con CoPilot, las organizaciones pueden aprovechar todo el potencial de sus datos e impulsar la toma de decisiones informadas en un espectro de dominios, incluido el servicio al cliente, marketing, ventas, ciencia de datos, desarrollo e ingeniería.
Características y beneficios clave de TigerGraph CoPilot
- Consulta de lenguaje natural aumentada por gráficos
- IA generativa aumentada con gráficos
- IA confiable y responsable
- Alta escalabilidad y rendimiento
Consulta de lenguaje natural aumentada por gráficos
TigerGraph CoPilot permite a los usuarios no técnicos utilizar su discurso cotidiano para consultar y analizar sus datos, liberándolos para centrarse en extraer conocimientos en lugar de tener que aprender una nueva tecnología o lenguaje informático. Para cada pregunta, CoPilot emplea una novedosa interacción de tres fases tanto con la base de datos TigerGraph como con un LLM de elección del usuario, para obtener respuestas precisas y relevantes.
La primera fase alinea la pregunta con los datos particulares disponibles en la base de datos. TigerGraph CoPilot utiliza LLM para comparar la pregunta con el esquema del gráfico y reemplazar entidades en la pregunta por elementos del gráfico. Por ejemplo, si hay un tipo de vértice de BareMetalNode y el usuario pregunta «¿Cuántos servidores hay?», la pregunta se traducirá a «¿Cuántos vértices de BareMetalNode hay?».
En la segunda fase, TigerGraph CoPilot utiliza el LLM para comparar la pregunta transformada con un conjunto de consultas y funciones de bases de datos seleccionadas para seleccionar la mejor coincidencia. El uso de consultas preaprobadas proporciona múltiples beneficios. En primer lugar, reduce la probabilidad de sufrir alucinaciones, porque se ha validado el significado y el comportamiento de cada consulta. En segundo lugar, el sistema tiene el potencial de predecir los recursos de ejecución necesarios para responder la pregunta.
En la tercera fase, TigerGraph CoPilot ejecuta la consulta identificada y devuelve el resultado en lenguaje natural junto con el razonamiento detrás de las acciones. La consulta en lenguaje natural aumentada con gráficos de CoPilot proporciona barreras de seguridad sólidas, lo que mitiga el riesgo de alucinaciones del modelo, aclara el significado de cada consulta y ofrece una comprensión de las consecuencias.
IA generativa aumentada con gráficos
TigerGraph CoPilot también puede crear chatbots con IA aumentada con gráficos en los propios documentos del usuario. No es necesario tener una base de datos de gráficos existente. En este modo de operación, TigerGraph CoPilot crea un gráfico de conocimiento a partir del material fuente y aplica su variante única de generación de recuperación aumentada (RAG) para mejorar la relevancia contextual y la precisión de las respuestas a preguntas en lenguaje natural.
Primero, al cargar documentos de los usuarios, TigerGraph CoPilot extrae entidades y relaciones de fragmentos de documentos y construye un gráfico de conocimiento a partir de los documentos. Los gráficos de conocimiento organizan la información en un formato estructurado, conectando puntos de datos a través de relaciones. CoPilot también identificará conceptos y creará una ontología, agregando semántica y razonamiento al gráfico de conocimiento, o los usuarios pueden proporcionar su propia ontología de conceptos. Luego, utilizando este gráfico de conocimiento integral, CoPilot realiza recuperaciones híbridas, combinando las tradicionales búsqueda vectorial y recorridos de gráficos, para recopilar información más relevante y un contexto más rico para responder las preguntas de los usuarios.
Organizar los datos como un gráfico de conocimiento permite que un chatbot acceda a información precisa y basada en hechos de manera rápida y eficiente, reduciendo así la dependencia de generar respuestas a partir de patrones aprendidos durante la capacitación, que a veces pueden ser incorrectos o estar desactualizados.
IA confiable y responsable
TigerGraph CoPilot mitiga las alucinaciones al permitir que los LLM accedan a la base de datos de gráficos a través de consultas seleccionadas. También se adhiere a las mismas medidas de seguridad y control de acceso basadas en roles (que ya forman parte de la base de datos TigerGraph) para garantizar una IA responsable. TigerGraph CoPilot también respalda la apertura y la transparencia al abrir sus componentes principales y permitir a los usuarios elegir su servicio LLM.
Alta escalabilidad y rendimiento
Al aprovechar la base de datos TigerGraph, TigerGraph CoPilot aporta un alto rendimiento al análisis de gráficos. Como solución Graph-RAG, admite bases de conocimiento a gran escala para soluciones de preguntas y respuestas basadas en gráficos de conocimiento.
Casos de uso clave de TigerGraph CoPilot
- Del lenguaje natural al conocimiento de los datos
- Preguntas y respuestas ricas en contexto
Del lenguaje natural al conocimiento de los datos
Ya sea analista de negocios, especialista o investigador, TigerGraph CoPilot le permite obtener información y conocimientos rápidamente a partir de sus datos. Por ejemplo, CoPilot puede generar informes para investigadores de fraude respondiendo preguntas como «Muéstrame la lista de casos de fraude recientes que fueron falsos positivos». CoPilot también facilita investigaciones más precisas como «¿Quién tuvo transacciones con la cuenta 123 en el último mes con montos superiores a $1000?»
TigerGraph CoPilot puede incluso responder preguntas de «¿Qué pasaría si?» recorriendo su gráfico a lo largo de las dependencias. Por ejemplo, puede averiguar fácilmente «¿Qué proveedores pueden cubrir la escasez de la parte 123?» de su gráfico de cadena de suministro, o «¿Qué servicios se verían afectados por una actualización al servidor 321» de su gráfico de infraestructura digital?
Preguntas y respuestas ricas en contexto
TigerGraph CoPilot proporciona una solución completa para crear un chatbot de preguntas y respuestas con sus propios datos y documentos. Su enfoque RAG basado en gráficos de conocimiento permite la recuperación de información contextualmente precisa que facilita mejores respuestas y decisiones más informadas. Las preguntas y respuestas ricas en contexto de CoPilot mejoran directamente la productividad y reducen los costos en aplicaciones típicas de preguntas y respuestas, como centros de llamadas, servicios al cliente y búsqueda de conocimientos.
Además, al fusionar un gráfico de conocimiento de documentos y un gráfico de negocios existente (por ejemplo, un gráfico de productos) en un gráfico de inteligencia, TigerGraph CoPilot puede abordar problemas que otras soluciones RAG no pueden abordar. Por ejemplo, al combinar el historial de compras de los clientes con gráficos de productos, CoPilot puede hacer recomendaciones personalizadas más precisas cuando los clientes escriben sus consultas de búsqueda o solicitan recomendaciones. Al combinar el historial médico de los pacientes con gráficos de atención médica, los médicos o especialistas de la salud pueden obtener información más útil sobre los pacientes para brindar mejores diagnósticos o tratamientos.
El gráfico se encuentra con la IA generativa
TigerGraph CoPilot aborda tanto los complejos desafíos asociados con la gestión y el análisis de datos como las graves deficiencias de los LLM para aplicaciones comerciales. Al aprovechar el poder del procesamiento del lenguaje natural y los algoritmos avanzados, las organizaciones pueden desbloquear conocimientos comerciales transformadores mientras superan la sobrecarga de datos y las barreras de accesibilidad. Al aprovechar RAG basado en gráficos, pueden garantizar la precisión y relevancia de los resultados de LLM.
CoPilot permite que una gama más amplia de usuarios aproveche los datos de manera efectiva, impulsando la toma de decisiones informadas y optimizando la asignación de recursos entre las organizaciones. Creemos que es un paso significativo hacia la democratización del acceso a los datos y el empoderamiento de las organizaciones para aprovechar todo el potencial de sus activos de datos.
Hamid Azzawe es director ejecutivo de TigreGraph.
—
Generative AI Insights proporciona un lugar para que los líderes tecnológicos, incluidos proveedores y otros contribuyentes externos, exploren y discutan los desafíos y oportunidades de la inteligencia artificial generativa. La selección es amplia, desde análisis profundos de tecnología hasta estudios de casos y opiniones de expertos, pero también subjetiva, basada en nuestro juicio sobre qué temas y tratamientos servirán mejor a la audiencia técnicamente sofisticada de InfoWorld. InfoWorld no acepta garantías de marketing para su publicación y se reserva el derecho de editar todo el contenido aportado. Contacto doug_dineley@foundryco.com.
Copyright © 2024 IDG Communications, Inc.