GraphRAG શું છે? ગ્રાફ-પાવર્ડ RAG માં એક વ્યવહારુ ઊંડાણપૂર્વકનો અભ્યાસ
શું તમે ક્યારેય ચેટબોટને જટિલ, મલ્ટી-હોપ પ્રશ્ન પૂછ્યો છે અને આત્મવિશ્વાસપૂર્ણ—પરંતુ છીછરો—જવાબ મળ્યો છે? તે વેનીલા રીટ્રીવલ-ઓગમેન્ટેડ જનરેશન (RAG) ની ક્લાસિક મર્યાદા છે. GraphRAG દાખલ કરો: એક ગ્રાફ-એન્હાન્સ્ડ અભિગમ જે તમારા કોર્પસમાંથી એન્ટિટીઝ અને સંબંધોને નોલેજ ગ્રાફમાં મેપ કરે છે, પછી મોટા ભાષા મોડેલો (LLMs) માટે વધુ સમૃદ્ધ, વધુ જોડાયેલ સંદર્ભ મેળવવા માટે તે માળખાનો ઉપયોગ કરે છે. પરિણામ: વધુ સારી તર્કશક્તિ, ઓછી આભાસી વાતો અને પ્રતિસાદો જે તમારી માહિતી વાસ્તવમાં કેવી રીતે જોડાય છે તે પ્રતિબિંબિત કરે છે.
આ સમજૂતી વ્યવહારુ અને ઉકેલ-લક્ષી લેન્સ લે છે: અમે GraphRAG ને વ્યાખ્યાયિત કરીશું, તે કેવી રીતે કાર્ય કરે છે, તે ક્યાં ચમકે છે, તે ક્યારે સંઘર્ષ કરે છે અને આજના ઇકોસિસ્ટમ સાથે તેને કેવી રીતે અમલમાં મૂકવું તે બતાવીશું. આ દરમિયાન, તમે વાસ્તવિક ઉદાહરણો, આર્કિટેક્ચર ટિપ્સ અને બિલ્ડ માર્ગદર્શન જોશો.
- GraphRAG નોલેજ ગ્રાફ સાથે RAG ને વધારે છે જેથી LLMs માત્ર અલગ ટુકડાઓ જ નહીં, પરંતુ એન્ટિટીઝ, સંબંધો અને સમુદાયો પર પુનઃપ્રાપ્ત અને તર્ક કરી શકે.
- તે મલ્ટી-હોપ પ્રશ્નો, વૈશ્વિક સારાંશો, જટિલ પાલન ક્વેરીઝ અને તપાસ માટે આદર્શ છે.
- તમે ટેક્સ્ટમાંથી ગ્રાફ કાઢશો, તેને ગોઠવશો (ઘણીવાર સમુદાયોમાં), સ્થાનિક અને વૈશ્વિક સ્તરે સારાંશ આપશો, પછી ક્વેરીઝને યોગ્ય સંદર્ભમાં રૂટ કરશો.
- મજબૂત જવાબો અને શોધી શકાય તેવા ટાંકણોની અપેક્ષા રાખો—પરંતુ ગ્રાફ એક્સ્ટ્રેક્શન ખર્ચ, ઓન્ટોલોજી ડ્રિફ્ટ અને અપડેટ પાઇપલાઇન્સ માટે યોજના બનાવો.
GraphRAG શું છે?
GraphRAG એ પુનઃપ્રાપ્તિ વ્યૂહરચના છે જે LLM જવાબોને શક્તિ આપવા માટે નોલેજ ગ્રાફ બનાવે છે અને તેનો લાભ લે છે. એમ્બેડિંગ સમાનતા દ્વારા ટોચના-k ટેક્સ્ટ ટુકડાઓ પુનઃપ્રાપ્ત કરવાને બદલે, GraphRAG ગ્રાફ નેબરહુડ્સ, સમુદાય સારાંશો અને સંબંધ-કેન્દ્રિત પુરાવા પુનઃપ્રાપ્ત કરે છે. આ મોડેલને સંરચિત સંદર્ભ આપે છે—"કોણે કોની સાથે, ક્યારે અને શા માટે શું કર્યું"—સિમેન્ટિકલી સમાન સ્નિપેટ્સની બેગને બદલે.
તે શા માટે મહત્વનું છે: ઘણા વાસ્તવિક-વિશ્વના પ્રશ્નોને અસમાન તથ્યોને જોડવાની (મલ્ટી-હોપ તર્ક), નેટવર્ક પર પ્રભાવનું મૂલ્યાંકન કરવાની અથવા સમગ્ર વિષયનો સારાંશ આપવાની જરૂર છે. ગ્રાફ આ માટે બનાવવામાં આવ્યા છે.
GraphRAG કેવી રીતે કાર્ય કરે છે (સ્ટેપ-બાય-સ્ટેપ)
તમારી પાઇપલાઇનનું આર્કિટેક્ચર કરતી વખતે આ માનસિક મોડેલનો ઉપયોગ કરો.
- ટેક્સ્ટને સાફ અને સામાન્ય કરો (દસ્તાવેજો, ઇમેઇલ્સ, ટિકિટો, PDF, વેબ પૃષ્ઠો).
- સાબિતી જાળવી રાખીને તાર્કિક સીમાઓ (વિભાગો, ફકરાઓ) પર ભાગ કરો.
- એન્ટિટીઝ (લોકો, સંસ્થાઓ, ઉત્પાદનો, સ્થાનો, ઘટનાઓ) અને સંબંધો (works_for, acquired, mentions, caused_by, depends_on, cited_by, વગેરે) શોધવા માટે LLM અથવા NER+RE મોડેલોનો ઉપયોગ કરો.
- વિશ્વાસ સ્કોર્સ અને મેટાડેટા (ટાઇમસ્ટેમ્પ્સ, સ્ત્રોતો) સાથે નોડ્સ અને એજિસ બનાવો.
- ગ્રાફ ડેટાબેઝ અથવા ગ્રાફ લાઇબ્રેરીમાં સ્ટોર કરો.
- એન્ટિટીઝને ડુપ્લિકેટ અને કેનોનિકલાઇઝ કરો (સમાનાર્થી અને ઉપનામોને ઉકેલો).
- ગ્રાફને વર્ઝન કરો અને વંશાવળીને ટ્રેક કરો.
- સમુદાય વંશવેલો અને સારાંશો બનાવો
- સંબંધિત નોડ્સને જૂથ બનાવવા માટે સમુદાય શોધ (દા.ત., Louvain/Leiden) ચલાવો.
- નોડ્સ/એજિસ માટે સ્થાનિક સારાંશો અને સમુદાયો માટે ઉચ્ચ-સ્તરના સારાંશો જનરેટ કરો. આ વ્યાપક ક્વેરીઝ માટે "વૈશ્વિક" પુનઃપ્રાપ્તિ લક્ષ્યો બની જાય છે.
- હાઇબ્રિડ પુનઃપ્રાપ્તિ વ્યૂહરચનાઓ
- સ્થાનિક નેબરહુડ: ક્વેરી સાથે સંબંધિત બીજ એન્ટિટીઝથી વિસ્તૃત કરો (k-હોપ સબગ્રાફ).
- સમુદાય-સ્તર: ક્વેરી હેતુથી સંબંધિત શોધાયેલ સમુદાયો માટે સારાંશો પુનઃપ્રાપ્ત કરો.
- ટેક્સ્ટ ફોલબેક: સંબંધિત પરંતુ અલગ પાસ થવા માટે એમ્બેડિંગ્સ અથવા BM25 નો ઉપયોગ કરો.
- પુરાવા પેકેજિંગ: LLM ના સંદર્ભ તરીકે ટાંકવામાં આવેલા ટેક્સ્ટ સ્નિપેટ્સ વત્તા સબગ્રાફ્સને કમ્પાઇલ કરો.
- સંરચિત પુરાવા (ગ્રાફ સ્નિપેટ્સ + સારાંશો + ટાંકણો) સાથે LLM ને પ્રોમ્પ્ટ કરો.
- ચેઇન-ઓફ-થોટ શોર્ટ ફોર્મ (અથવા ટૂલફોર્મર-શૈલી જનરેશન) ને પ્રોત્સાહિત કરો અને ટાંકણોની જરૂર છે.
- જેમ જેમ નવા ડોક્સ આવે છે, તેમ તેમ એન્ટિટીઝ/સંબંધોને ધીમે ધીમે કાઢો.
- સારાંશો અને અસરગ્રસ્ત સમુદાયોની ફરીથી ગણતરી કરો.
- ડ્રિફ્ટ અને વિશ્વાસ થ્રેશોલ્ડ્સનું નિરીક્ષણ કરો.
GraphRAG સ્ટાન્ડર્ડ RAG થી કેવી રીતે અલગ છે?
- પ્રતિનિધિત્વ: GraphRAG એન્ટિટીઝ અને સંબંધોને એન્કોડ કરે છે; સ્ટાન્ડર્ડ RAG ચંક એમ્બેડિંગ્સને એન્કોડ કરે છે.
- પુનઃપ્રાપ્તિ: GraphRAG નેબરહુડ્સ અને સમુદાય સારાંશો ખેંચે છે; RAG નજીકના ચંક્સ ખેંચે છે.
- તર્ક: ગ્રાફ માળખું મલ્ટી-હોપ તર્ક અને પ્રભાવ વિશ્લેષણને સમર્થન આપે છે; RAG ને દૂરના તથ્યોને જોડવા માટે ઘણીવાર સંઘર્ષ કરવો પડે છે.
- સમજાવટ: ગ્રાફ્સ અને ટાંકણો પારદર્શક પુરાવા સાંકળો બનાવે છે; RAG એક બ્લેક બોક્સ જેવું લાગે છે.
GraphRAG નો ઉપયોગ ક્યારે કરવો (અને ક્યારે નહીં)
મહાન ફિટ્સ:
- મલ્ટી-હોપ અને ક્રોસ-ડોક્યુમેન્ટ પ્રશ્નો: "કયા સપ્લાયર્સ આડકતરી રીતે આપણા ઉત્પાદનને ભૌગોલિક રાજકીય જોખમમાં મૂકે છે?"
- વૈશ્વિક સારાંશ: "આ ત્રિમાસિક ગાળામાં આપણા ગ્રાહકનો પ્રતિભાવ પ્રદેશોમાં કેવી રીતે બદલાયો છે?"
- મૂળ-કારણ અને અવલંબન વિશ્લેષણ: "કયા અપસ્ટ્રીમ API ફેરફારોને કારણે ડાઉનસ્ટ્રીમ ઘટનાઓ બની?"
- પાલન અને તપાસ: "કયા ઇમેઇલ્સ વ્યક્તિ X ને તારીખ Z ની આસપાસ વિષય Y સાથે જોડે છે?"
- વૈજ્ઞાનિક અને સ્પર્ધાત્મક ગુપ્ત માહિતી: "સંશોધન ક્લસ્ટર્સ શું છે અને કોણ તેમને જોડે છે?"
જ્યારે સ્ટાન્ડર્ડ RAG અથવા હાઇબ્રિડ્સનો ઉપયોગ કરો:
- ક્વેરીઝ સાંકડી અને સ્થાનિક હોય છે (સિંગલ ડોક્યુમેન્ટ જવાબો).
- તમારી પાસે ગ્રાફ એક્સ્ટ્રેક્શન ઓવરહેડને યોગ્ય ઠેરવવા માટે વોલ્યુમ અથવા ગુણવત્તાનો અભાવ છે.
- તમારે અતિ-ઓછી લેટન્સી અને ન્યૂનતમ પ્રીપ્રોસેસિંગની જરૂર છે.
કોંક્રિટ ઉદાહરણ: ઘટના પ્રતિસાદ નોલેજ ગ્રાફ
- ઇન્જેસ્ટ: પોસ્ટમોર્ટમ્સ, જીરા ટિકિટો, સ્લેક થ્રેડો, ઓન-કોલ નોટ્સ.
- એન્ટિટીઝ: સેવાઓ, માલિકો, ઘટનાઓ, રનબુક્સ, કમિટ્સ, અવલંબન.
- સંબંધો: service_depends_on_service, incident_affects_service, owner_of, commit_references_incident.
- ક્વેરીઝ: "કઈ અપસ્ટ્રીમ સેવાઓ મોટાભાગે આપણી P1 ઘટનાઓ સાથે સંબંધિત છે?"
- પુનઃપ્રાપ્તિ: 'પેમેન્ટ્સ' ક્લસ્ટર માટે સમુદાય સારાંશ + 'ચેકઆઉટ API' ની આસપાસ 2-હોપ નેબરહુડ + ટોચના ઘટના અંશો.
- જવાબ: સાબિતી અને સૂચવેલ શમન રનબુક સાથે ક્રમાંકિત સમજૂતી.
આર્કિટેક્ચર બ્લુપ્રિન્ટ
- સ્ટોરેજ: ગ્રાફ DB (દા.ત., લેબલવાળી પ્રોપર્ટી ગ્રાફ). ID સાથે ઓબ્જેક્ટ સ્ટોરેજમાં કાચો ટેક્સ્ટ રાખો.
- ઇન્ડેક્સ: એન્ટિટી નામ, પ્રકાર, ઉપનામો; એજ પ્રકારો; ટેમ્પોરલ એટ્રિબ્યુટ્સ.
- પાઇપલાઇન્સ: પુનઃપ્રયાસ અને ઓડિટ લોગ સાથે એસિંક એક્સ્ટ્રેક્ટ-ટ્રાન્સફોર્મ-લોડ (ETL).
- સારાંશ: ફેરફાર શોધ સાથે સામયિક પુનર્જીવન; કેશ પરિણામો.
- પુનઃપ્રાપ્તિ રાઉટર: સ્થાનિક વિ. વૈશ્વિક વિ. હાઇબ્રિડ પસંદ કરવા માટે હેતુ વર્ગીકરણ.
- ગાર્ડરેલ્સ: સોર્સ ગ્રાઉન્ડિંગ, ટાંકણ જરૂરિયાતો, થ્રેશોલ્ડ કરેલ વિશ્વાસ અને જ્યારે પુરાવા નબળા હોય ત્યારે રૂઢિચુસ્ત પ્રતિસાદો પર ફોલબેક.
પ્રોમ્પ્ટિંગ પેટર્ન્સ જે કાર્ય કરે છે
- સ્થાનિક નેબરહુડ પ્રોમ્પ્ટ: "જોડાયેલ k-હોપ સબગ્રાફ અને ટાંકણોનો ઉપયોગ કરીને, X એ Y સાથે કેવી રીતે સંબંધિત છે તેનું સંશ્લેષણ કરો. સ્ત્રોતોને ઇનલાઇન સૂચિબદ્ધ કરો."
- વૈશ્વિક સારાંશ પ્રોમ્પ્ટ: "સમુદાય સારાંશો A/B/C નો ઉપયોગ કરીને, વિષય T નો ઐતિહાસિક સંદર્ભ અને વર્તમાન સ્થિતિ સમજાવો. ટોચના 5 સહાયક ટાંકણો શામેલ કરો."
- અસંમતિ શોધ: "પ્રદાન કરેલા પુરાવામાં વિરોધાભાસી દાવાઓને ઓળખો. બંને બાજુઓ અને વિશ્વાસ રજૂ કરો."
સફળતાનું માપન
- ગુણવત્તા: વફાદારી (ગ્રાઉન્ડેડ દાવાઓ), કવરેજ (શું આપણે યોગ્ય સબગ્રાફ પુનઃપ્રાપ્ત કર્યો?), અને સંપૂર્ણતા (મલ્ટી-હોપ કરેક્ટનેસ).
- UX: ટાઇમ-ટુ-ફર્સ્ટ-ટોકન, સમજાયેલી સુસંગતતા, ટાંકણ સ્પષ્ટતા.
- ઓપ્સ: એક્સ્ટ્રેક્શન ચોકસાઈ (ચોકસાઈ/રિકોલ), ગ્રાફ વૃદ્ધિ દર, અપડેટ દીઠ કિંમત, કેશ હિટ-રેટ.
સામાન્ય ખામીઓ (અને ફિક્સ)
- ઓન્ટોલોજી ડ્રિફ્ટ: એન્ટિટી પ્રકારો અને સંબંધ સ્કીમા વિકસિત થાય છે. સ્કીમા રજિસ્ટ્રી અને સ્થળાંતર યોજના જાળવો.
- ઓવર-એક્સ્ટ્રેક્શન: ઘોંઘાટીયા અથવા ડુપ્લિકેટ નોડ્સ. વિશ્વાસ થ્રેશોલ્ડ્સ અને કેનોનિકલાઇઝેશન વર્કફ્લોનો ઉપયોગ કરો.
- વાસી સારાંશો: ફેરફાર પર પુનર્જીવન કરો અને તાજગી SLA રાખો.
- ક્વેરી રૂટીંગ ભૂલો: હેતુ વર્ગીકરણ અને હળવા આયોજક એજન્ટો ઉમેરો.
- ખર્ચમાં વધારો: બેચ એક્સ્ટ્રેક્શન, સારાંશોને સંકુચિત કરો અને અનુકૂલનશીલ કાપણી સાથે k-હોપ મર્યાદાઓ સેટ કરો.
સુરક્ષા અને સંચાલન
- PII અને સિક્રેટ્સ: સ્ટોરેજ પહેલાં રિડેક્ટ કરો; સંવેદનશીલ ગુણધર્મો માટે ફિલ્ડ-લેવલ એન્ક્રિપ્શન.
- એક્સેસ કંટ્રોલ: એટ્રિબ્યુટ-આધારિત એક્સેસ; ક્વેરી સમયે નોડ્સ/એજિસને ફિલ્ટર કરો.
- ઓડિટબિલિટી: LLM ને બતાવેલ પુરાવા પેક સ્ટોર કરો; પ્રોમ્પ્ટ્સ અને પ્રતિસાદોને હેશ સાથે લોગ કરો.
અમલીકરણ રોડમેપ (90 દિવસ)
- અઠવાડિયા 1–2: ઓન્ટોલોજી વ્યાખ્યાયિત કરો; ગ્રાફ સ્ટોર પસંદ કરો; ઇન્જેશન સેટ કરો.
- અઠવાડિયા 3–4: એન્ટિટી/સંબંધ એક્સ્ટ્રેક્શન બનાવો; 3–5 મુખ્ય સંબંધ પ્રકારો સાથે નાનું શરૂ કરો.
- અઠવાડિયા 5–6: સમુદાય શોધ અને સારાંશ જનરેશન; મૂલ્યાંકન હાર્નેસ ડિઝાઇન કરો.
- અઠવાડિયા 7–8: પુનઃપ્રાપ્તિ રાઉટર અને જવાબ પ્રોમ્પ્ટ્સ; ટાંકણો અને સાબિતી UI ઉમેરો.
- અઠવાડિયા 9–10: ચોકસાઈ/રિકોલ પર પુનરાવર્તન કરો; થ્રેશોલ્ડ્સને ટ્યુન કરો; ફોલબેક્સ ઉમેરો.
- અઠવાડિયા 11–12: સુરક્ષા સખ્તાઇ; ડેશબોર્ડ્સ; હિતધારક પાઇલોટ.
સાધનો અને ઇકોસિસ્ટમ
- ગ્રાફ ડેટાબેસેસ અને એનાલિટિક્સ: લેબલવાળી પ્રોપર્ટી ગ્રાફ્સ, સમુદાય શોધ (Louvain/Leiden), ટૂંકા પાથ, પ્રભાવ મેટ્રિક્સ.
- LLM ઓપ્સ: એક્સ્ટ્રેક્શન પ્રોમ્પ્ટ્સ, રેટ લિમિટિંગ, કોસ્ટ ટ્રેકિંગ અને વફાદારી માટે મૂલ્યાંકન હાર્નેસ.
- કનેક્ટર્સ: PDF, ઇમેઇલ સ્ટોર્સ, ટિકિટિંગ સિસ્ટમ્સ, ડેટા લેક્સ માટે ડોક્યુમેન્ટ લોડર્સ.
નોંધનીય: જો તમે તમારા વર્કફ્લોમાં AI સાઇડબાર્સ અથવા કોપાયલોટ-શૈલી સહાયકો પર પહેલેથી જ આધાર રાખતા હો, તો જેવું સાધન તમને પુનઃપ્રાપ્તિ પ્રવાહોને ગોઠવવામાં, ટાંકણો જોડવામાં અને ઊંડા MLOps ઓવરહેડ વિના પ્રોમ્પ્ટ્સ પર પુનરાવર્તન કરવામાં મદદ કરી શકે છે. તે ખાસ કરીને RAG નું સંચાલન કરતી અને બ્રાઉઝરમાં ગ્રાફ-એન્હાન્સ્ડ પુનઃપ્રાપ્તિની શોધ કરતી ટીમો માટે ઉપયોગી છે જ્યાં સ્પીડ-ટુ-ઇનસાઇટ મહત્વપૂર્ણ છે.
ભાવિ પરિપ્રેક્ષ્ય
GraphRAG એક વ્યાપક વલણનો ભાગ છે: LLMs જે સંરચિત સંદર્ભ પર તર્ક કરે છે. વેક્ટર શોધ, ગ્રાફ સ્ટોર્સ અને ટેબલ સ્ટોર્સ વચ્ચે ચુસ્ત એકીકરણની અપેક્ષા રાખો; વધુ સારા ઓપન-સોર્સ એક્સ્ટ્રેક્ટર્સ; અને આયોજકો જે સ્થાનિક નેબરહુડ્સ અને વૈશ્વિક સમુદાય દૃશ્યો વચ્ચે ગતિશીલ રીતે સ્વિચ કરે છે. જેમ જેમ ખર્ચ ઘટશે અને એક્સ્ટ્રેક્શન ચોકસાઈ વધશે, તેમ GraphRAG એક અદ્યતન પેટર્ન જેવું ઓછું અને જટિલ તર્ક માટે ડિફોલ્ટ જેવું વધુ લાગશે.
મુખ્ય તારણો
- GraphRAG તમારા કોર્પસમાંથી નોલેજ ગ્રાફ બનાવે છે અને LLM માટે નેબરહુડ્સ અને સમુદાય સારાંશો પુનઃપ્રાપ્ત કરે છે.
- તે ટ્રેસેબલ ટાંકણો સાથે મલ્ટી-હોપ, વૈશ્વિક અને તપાસલક્ષી પ્રશ્નોમાં શ્રેષ્ઠ છે.
- ઓન્ટોલોજી મેનેજમેન્ટ, ખર્ચ નિયંત્રણ અને વધારાના અપડેટ્સ માટે યોજના બનાવો.
- નાનું શરૂ કરો: થોડા એન્ટિટી પ્રકારો, થોડા સંબંધો અને કેન્દ્રિત ઉપયોગના કિસ્સાઓ.
FAQ
Q1: સરળ શબ્દોમાં GraphRAG શું છે?
GraphRAG એ નોલેજ ગ્રાફ સાથેનું RAG છે. ફક્ત સમાન ટેક્સ્ટ ટુકડાઓ પુનઃપ્રાપ્ત કરવાને બદલે, તે જોડાયેલ એન્ટિટીઝ અને સંબંધો પુનઃપ્રાપ્ત કરે છે જેથી LLM વધુ સારી ગ્રાઉન્ડિંગ સાથે બહુવિધ હોપ્સ પર તર્ક કરી શકે.
Q2: GraphRAG સ્ટાન્ડર્ડ RAG કરતાં કેવી રીતે સુધારે છે?
ગ્રાફ માળખાનો ઉપયોગ કરીને, GraphRAG નેબરહુડ્સ અને સમુદાય સારાંશો પુનઃપ્રાપ્ત કરે છે જે તથ્યો કેવી રીતે જોડાય છે તે કેપ્ચર કરે છે. આ મલ્ટી-હોપ તર્કને વધારે છે, આભાસી વાતો ઘટાડે છે અને ટાંકણો સાથે સમજાવટમાં સુધારો કરે છે.
Q3: મારે GraphRAG નો ઉપયોગ ક્યારે કરવો જોઈએ?
જટિલ પ્રશ્નો માટે તેનો ઉપયોગ કરો જે દસ્તાવેજોને ફેલાવે છે—તપાસો, પાલન તપાસો, વૈશ્વિક સારાંશો અને અવલંબન અથવા મૂળ-કારણ વિશ્લેષણ. સરળ, સ્થાનિક લુકઅપ્સ માટે, સ્ટાન્ડર્ડ RAG ઝડપી અને સસ્તું હોઈ શકે છે.
Q4: GraphRAG સિસ્ટમના મુખ્ય ઘટકો શું છે?
મુખ્ય ભાગોમાં એન્ટિટી/સંબંધ એક્સ્ટ્રેક્શન, ગ્રાફ ડેટાબેઝ, સમુદાય શોધ, સ્થાનિક અને વૈશ્વિક સારાંશો, પુનઃપ્રાપ્તિ રાઉટર અને LLM પ્રોમ્પ્ટ્સ જે પુરાવા અને ટાંકણોની જરૂર છે તેનો સમાવેશ થાય છે.
Q5: હું GraphRAG પાઇપલાઇનનું મૂલ્યાંકન કેવી રીતે કરી શકું?
વફાદારી (ગ્રાઉન્ડિંગ), યોગ્ય સબગ્રાફનું કવરેજ, મલ્ટી-હોપ કરેક્ટનેસ અને ટાંકણોની સ્પષ્ટતા જેવા UX પરિબળોને માપો. કામગીરીનું સંચાલન કરવા માટે એક્સ્ટ્રેક્શન ચોકસાઈ/રિકોલ અને અપડેટ દીઠ કિંમતને ટ્રેક કરો.
