গ্রাফ ডেটাবেস প্রদানকারী নিও৪জে (Neo4j) বলছে যে গ্রাফ প্রযুক্তি এআই মডেল এবং এজেন্টদের দ্বারা তৈরি হওয়া বিভ্রম, বানোয়াট এবং ব্যবহারকারীর প্রশ্নের মিথ্যা উত্তর প্রতিরোধ করতে পারে।
কোম্পানিটি সম্প্রতি আরএক্সআইভে (arXiv) প্রকাশিত একটি একাডেমিক পেপারের উল্লেখ করেছে, যার শিরোনাম ছিল “Reducing Hallucinations in Complex Question Answering using Simple Graph-based Retrieval-Augmented Generation” (জটিল প্রশ্নোত্তরে সাধারণ গ্রাফ-ভিত্তিক পুনরুদ্ধার-বর্ধিত প্রজন্মের মাধ্যমে বিভ্রম হ্রাস করা)। এই পেপারটি তাদের দাবিকে বৈধতা দিয়েছে।
পেপারটির সারসংক্ষেপে উল্লেখ করা হয়েছে যে, গবেষণাটি একটি ডেডিকেটেড টুলসেটের মাধ্যমে RAG (Retrieval-Augmented Generation) সাবসিস্টেমকে সমর্থন করার জন্য একটি সাধারণ গ্রাফ স্কিমা সহ একটি হালকা গ্রাফ কাঠামো গ্রহণ করার বিষয়টি অন্বেষণ করে। গবেষণা দলটি বিভিন্ন ভেক্টর অনুসন্ধান এবং গ্রাফ কোয়েরি সরঞ্জাম সহ একটি এজেন্টিক সিস্টেম তৈরি করেছে, যা কিউরেটেড ইংরেজি উইকিপিডিয়া নিবন্ধগুলি থেকে প্রাপ্ত কাঠামোগত ডেটার উপর কাজ করে। এটি জটিল প্রশ্নোত্তরের কাজের জন্য একটি চ্যালেঞ্জিং উইকিপিডিয়া QA বেঞ্চমার্ক, MoNaCo থেকে প্রাপ্ত জটিল প্রশ্নগুলির উপর সিস্টেমের কর্মক্ষমতা মূল্যায়ন করেছে।
গবেষকরা এলএলএম-এর (LLM) জন্য একটি জটিল প্রশ্ন উত্থাপন করেছেন: “আপনি কি প্রথম, দ্বিতীয় এবং তৃতীয় অ্যাংলো-ডাচ যুদ্ধের মধ্যে ডাচ এবং ইংরেজদের মধ্যে সমস্ত যুদ্ধের নাম বলতে পারেন এবং প্রতিটি যুদ্ধের বিজয়ীর তালিকা দিতে পারেন?”
এই প্রশ্নের উত্তর দেওয়ার জন্য অত্যাধুনিক পুনরুদ্ধার এবং যুক্তির ক্ষমতা প্রয়োজন, যার মধ্যে রয়েছে একই সাথে একাধিক সত্তা, মাল্টি-হপ রিজনিং এবং ক্রস-ডকুমেন্ট অ্যাক্সেস। গবেষণাটি উল্লেখ করেছে যে এই ধরনের জটিল প্রশ্নগুলি বর্তমান অত্যাধুনিক এলএলএম-ভিত্তিক সিস্টেমগুলির জন্য বড় চ্যালেঞ্জ তৈরি করে।
দলটি তিনটি এলএলএম সেটআপে প্রশ্নটি পরীক্ষা করেছে এবং ফলাফল বিশ্লেষণ করেছে:
১. ভেক্টর+গ্রাফ RAG: বাহ্যিক জ্ঞানভাণ্ডার পুনরুদ্ধার অপ্টিমাইজ করার জন্য পূর্বনির্ধারিত সরঞ্জাম সহ একটি ইউনিফাইড ভেক্টর এবং গ্রাফ ডেটাবেস গ্রহণ করে।
২. সাধারণ ভেক্টর RAG
৩. RAG এনহ্যান্সমেন্ট ছাড়াই জিরো-শট এলএলএম
পেপারটির ফলাফল নিশ্চিত করে যে স্ট্যান্ডার্ড ভেক্টর RAG-তে একটি মৌলিক গ্রাফ-ভিত্তিক জ্ঞানভাণ্ডার এবং ম্যাচিং সরঞ্জামগুলিকে একীভূত করলে এআই বিভ্রম উল্লেখযোগ্যভাবে হ্রাস করা যেতে পারে, যদিও এটি সম্পূর্ণরূপে নির্মূল করতে পারে না। জিরো-শট এলএলএম-এর জন্য প্রায় -১২৭ থেকে ভেক্টর+গ্রাফ RAG-এর জন্য -৪৯ পর্যন্ত গ্রস ট্রুথফুলনেস স্কোর উন্নত হয়েছে।
অধিকন্তু, হাইব্রিড পদ্ধতিটি স্বতন্ত্র ভেক্টর RAG-এর চেয়ে উল্লেখযোগ্যভাবে ভালো পারফর্ম করে। যখন আংশিকভাবে সঠিক উত্তরগুলি মূল্যায়নে অন্তর্ভুক্ত করা হয়, তখন ভেক্টর+গ্রাফ RAG তিনটি পরীক্ষার দৃশ্যের মধ্যে সর্বোচ্চ স্কোর অর্জন করে। এর ফাইন-গ্রেইনড ট্রুথফুলনেস স্কোর পিওর ভেক্টর RAG-এর চেয়ে ৮০ শতাংশ বেশি, যেখানে ফ্যাকচুয়াল প্রিসিশন এবং রিকল ভেক্টর-অনলি RAG সিস্টেমের দ্বিগুণ বেশি।
সামগ্রিকভাবে, প্রস্তাবিত সমাধানটি নির্ভুলতা এবং রিকল উভয়ই বৃদ্ধি করে এবং বিভ্রম কমিয়ে দেয়, এলএলএম-ভিত্তিক QA সিস্টেমগুলির নির্ভরযোগ্যতা এবং বিশ্বাসযোগ্যতা উন্নত করার একটি কার্যকর পথ সরবরাহ করে।
গবেষণার বিস্তারিত প্রযুক্তিগত তথ্যের জন্য মূল পেপারটি পড়ুন।
বেইজিং কিয়ানশিং জিয়েটং টেকনোলজি কোং, লিমিটেড
স্যান্ডি ইয়াং/গ্লোবাল স্ট্র্যাটেজি ডিরেক্টর
হোয়াটসঅ্যাপ / উইচ্যাট: +৮৬ ১৩৪২৬৩৬৬৮২৬
ইমেইল: yangyd@qianxingdata.com
ওয়েবসাইট: www.qianxingdata.com/www.storagesserver.com
ব্যবসায়িক ফোকাস:
আইসিটি পণ্য বিতরণ/সিস্টেম ইন্টিগ্রেশন ও পরিষেবা/অবকাঠামো সমাধান
আইটি বিতরণে ২০ বছরেরও বেশি অভিজ্ঞতার সাথে, আমরা নির্ভরযোগ্য পণ্য এবং পেশাদার পরিষেবা সরবরাহ করতে শীর্ষস্থানীয় বিশ্ব ব্র্যান্ডগুলির সাথে অংশীদারিত্ব করি।
“প্রযুক্তি ব্যবহার করে একটি বুদ্ধিমান বিশ্ব তৈরি করা” আপনার বিশ্বস্ত আইসিটি পণ্য পরিষেবা প্রদানকারী!
আপনার বার্তাটি 20-3,000 টির মধ্যে হতে হবে!
Bengali
