GraphRAG సమీక్ష: ఇది ఏమిటి, ఇది ఎలా పనిచేస్తుంది, మరియు దీని హైప్ కి సరిపోతుందా?
సాంప్రదాయ RAG పరిమితులను మీరు అనుభవిస్తే—వాస్తవాలకు మంచి, కాన్సెప్టింగ్ లో అనిశ్చితి—మీకే కాదు. GraphRAG మీ రీట్రీవల్ పైప్లైన్ లో నాలెడ్జ్ గ్రాఫ్స్ని చేర్చడం ద్వారా దీనిని సరిచేసేందుకు వాగ్దానం చేస్తుంది. ఫలితం? ఎక్కువ సందర్భం, మెరుగైన కారణ నిరూపణ, మరియు వివరణాత్మక అవుట్పుట్లు. కానీ GraphRAG కాంప్లెక్సిటీ మరియు ఖర్చు సరిపోతుందా? ఈ సమీక్షలో, GraphRAG అంటే ఏమిటి, సాధారణ వెక్టర్ RAG తో ఎలా పోల్చుకోగలమో, దాన్ని అమలు చేయడానికి ఏమి అవసరం అవుతుందో, మరియు ఎక్కడ దీని అసలు సామర్ధ్యం ఉందో నేను చర్చిస్తాను.
ఈ సమీక్షకు ఆధారంగా నేను తాజా పరిశోధనలు, పరిశ్రమ గైడ్లైన్లు మరియు వాస్తవ జీవిత మాదిరులను తీసుకుంటాను: GraphRAG పద్ధతుల అకాడమిక్ సర్వే, ప్రొడక్షన్ లో GraphRAG అమలు కోసం AWS సాధికారకుల గైడ్, మరియు డెవలపర్ కమ్యూనిటీ అభిప్రాయాలు, వాటి ఖర్చులు మరియు ట్రేడ్ ఆఫ్స్ పై.
- GraphRAG RAG ని నాలెడ్జ్ గ్రాఫ్ తో పెంచుతుంది, అందువల్ల మీ మోడల్ సమానమైన చంక్లు మాత్రమే కాకుండా, నిర్మిత ఎంటిటీలను, సంబంధాలను, మరియు మార్గాలను కూడా రీట్రివ్ చేయగలదు.
- ఇది మల్టీ-హాప్ ప్రశ్నలు, వివరణలు మరియు డొమైన్ సతతత్వంపై వెక్టర్-ఓన్లీ రీట్రీవల్ తో పోల్చితే మెరుగైన కవచాన్ని అందిస్తుంది.
- ఖర్చులు మరియు కాంప్లెక్సిటీ పెరుగుతాయి—గ్రాఫ్ నిర్మాణం తరచుగా చాలా LLM కాల్స్ మరియు జాగ్రత్తగా సమన్వయాన్ని అవసరం చేసుకుంటుంది.
- జటిలమైన రంగాల కోసం (ఫైనాన్స్, లీగల్, బయోమెడికల్, ఎంటర్ప్రైజ్ వికిస్), పరిశోధనా ప్రశ్నలు, మరియు ప్రూవెనెన్స్-తీసుకునే కేసులు కోసం ఉత్తమం.
- మీ ప్రశ్నలు సాదారణ FAQs అయితే, GraphRAG జాగా ఎక్కువ అయ్యే అవకాశం ఉంది.
GraphRAG ఏమిటి?
GraphRAG అనేది నాలెడ్జ్ గ్రాఫ్ ఆధారిత Retrieval-Augmented Generation. సాధారణంగా టెక్ట్స్ చంక్లను మాత్రమే ఎంబెడ్ చేసి రీట్రివ్ చేసిన తేడాతో, GraphRAG మీ కార్పస్ నుంచి ఎంటిటీలను (నోడ్లు) మరియు సంబంధాలను (ఎడ్జెస్) ఒక నిర్మిత గ్రాఫ్ లో సృష్టిస్తుంది. రీట్రీవల్ తరచుగా గ్రాఫ్ నైబర్హుడ్లు మరియు మార్గాలపైన జరుగుతుంది, హైబ్రిడ్ రీకాల్ కోసం వెక్టర్ సెర్చ్ తో కలిసి. తాజా సర్వే ఈ వర్క్ఫ్లోను ఫార్మల్ చేస్తుంది—గ్రాఫ్ ఆధారిత ఇండెక్సింగ్, గ్రాఫ్-అవేర్ రీట్రీవల్, మరియు గ్రాఫ్ సందర్భాన్ని వినియోగించే జనరేషన్.
సాదా భాషలో: వెక్టర్ సెర్చ్ "ఏది సమానంగా కనిపిస్తుందో" కనుగొంటుంది; GraphRAG వాటి "ఎలా కనెక్ట్ అవుతాయో" కూడా అర్థం చేసుకుంటుంది.
ప్రధాన భాగాలు
- గ్రాఫ్ నిర్మాణం: టెక్స్ట్ నుండి ఎంటిటీలను/సంబంధాలను ఎక్స్ట్రాక్ట్ చేసి నాలెడ్జ్ గ్రాఫ్ నిర్మించండి.
- హైబ్రిడ్ రీట్రీవల్: వెక్టర్ సామ్యాన్ని గ్రాఫ్ ట్రావర్సల్ లేదా మార్గిఫైండింగ్ తో కలపండి.
- గ్రాఫ్-అవేర్ సందర్భ సమాహారం: సబ్గ్రాఫ్లు, సంగ్రహాలు లేదా చైన్-ఆఫ్-థాట్ వంటి మార్గాలను LLM కోసం సందర్భంగా అందించండి.
- వివరణాత్మక పొర: సమాధానం కోసం ఏ నోడ్లు/ఎడ్జెస్ మద్దతు ఇచ్చాయో చూపించండి.
ఎందుకో ప్రజలు ఉత్సాహపడుతుంటారు
- మల్టీ-హాప్ కారణ నిరూపణ మెరుగుదల: గ్రాఫ్ మార్గాలు డాక్యుమెంట్ల మధ్య సంబంధాలు పట్టు కుదల్చి, ఫ్యాక్ట్స్ను Stitch చేయాల్సిన సమాధానాలను మెరుగుపరుస్తాయి.
- లాంగ్-టెయిల్ ఫాక్ట్స్ కవచం: ఎడ్జెస్ ఎంబెడ్డింగ్స్ పట్టుకోని ముఖ్యమైన సందర్భాలను అందించగలవు.
- వివరణాత్మకత మరియు ప్రూవెనెన్స్: సమాధానంలో ఉపయోగించిన గ్రాఫ్ మార్గాలను చూపించవచ్చు—ఆడిట్స్ మరియు నియంత్రిత వాతావరణాల్లో ఉపయోగకరం.
- డొమైన్ సతతత్వం: స్పష్టమైన అంటాలజీ పదజాలాన్ని స్థిరపరచి ఎంటిటీ-భారమైన కంటెంట్లో హల్యూసినేషన్స్ తగ్గిస్తుంది.
అసలు సమస్య: కాంప్లెక్సిటీ మరియు ఖర్చు
- గ్రాఫ్ నిర్మాణం ఖరీదైనది: డెవలపర్లు గ్రాఫ్ ని నమ్మదగినట్లుగా నింపడానికి LLM కాల్స్ ఎక్కువగా ఉంటాయని చెబుతున్నారు.
- సతత నిర్వహణ: కార్పస్ మారిపోయినప్పుడు, మీరు నోడ్లు, ఎడ్జ్ రకాలూ, ఎంబెడ్డింగ్స్ నవీకరించాలి.
- సమన్వయ అవసరం: ఎక్స్ట్రాక్షన్, ధృవీకరణ, డీపీలికేషన్ మరియు నాణ్యత తనిఖీలు కోసం పైప్లైన్లు అవసరం అవుతాయి.
- లేటెన్సీ: గ్రాఫ్ రీట్రీవల్తో పాటు సంగ్రహీకరణ కొన్ని జంప్స్ ని కలిగిస్తే, సబ్గ్రాఫ్లను క్యాష్ చేయడం లేదా ముందస్తుగా సంగ్రహాలు కంప్యూట్ చేయడం ఉపశమనంగా ఉంటుంది.
GraphRAG వెక్టర్ RAG తో ఎలా పోల్చబడుతుందో
- సులభ Q&A మరియు వాస్తవాల లుక్-అప్: వెక్టర్ RAG వేగంగా, చవకైనది, తరచుగా సరిపోతుంది.
- మల్టీ-డాక్యుమెంట్ కారణ నిరూపణ: GraphRAG సంబంధాలను మోడల్ చేసుకొని మార్గ ఆధారిత సాక్ష్యాలను అనుమతిస్తుంది–ముందంజేస్తుంది.
- వివరణాత్మకత: GraphRAG గెలుస్తుంది—గ్రాఫ్లు అర్థమయ్యే ప్రూవెనెన్స్ ఇస్తాయి, వెక్టర్లు గోప్యంగా ఉంటాయి.
- కొల్డ్ స్టార్ట్: వెక్టర్ RAG సులభంగా అమలు అవుతుంది; GraphRAG కు స్కీమా నిర్ణయాలు మరియు ఎక్స్ట్రాక్షన్ నాణ్యత నిర్ధారణ అవసరం.
అమలు జర్నీ (ఎటువంటి యధार्थం)
1) మీ Ontology ని మొదట నిర్వచించండి
- ఎంటిటీలను (వ్యక్తులు, ఉత్పత్తులు, SKUs, APIs), సంబంధాలను ("ఉపయోగిస్తారు", "ఆధారపడింది", "కట్టుబడి ఉంది") మరియు పరిమితులను గుర్తించండి.
- కోర్ స్కీమాతో చిన్నగా ప్రారంభించండి; రీట్రీవల్ నడిపించే సంబంధాల రకాలు మాత్రమే జోడించండి.
2) లేయర్డ్ ఎక్స్ట్రాక్షన్ తో గ్రాఫ్ నిర్మించండి
- NER మరియు సంబంధాలను ఎక్స్ట్రాక్టు చేయడానికి LLM లేదా చిన్న ఐ.ఈ. మోడల్స్ ఉపయోగించండి.
- అత్యుత్తమ ఖచ్చితత్వం గల ఎడ్జెస్ (ఉదా: స్పష్టమైన సూచనలు, IDs) కోసం హ్యూరిస్టిక్ నియమాలు జోడించండి.
- ముఖ్యమైన సంబంధాల కొరకు హ్యూమన్-ఇన్-ది-లూప్ QA; కార్డినాలిటీ మరియు ప్రత్యేకత కొరకు ప్రోగ్రామాటిక్ చెక్స్లు.
3) మీ స్టాక్ స్మార్ట్ గా ఎంచుకోండి
- గ్రాఫ్ DBs: Neo4j, Amazon Neptune, Azure Cosmos DB (Gremlin/Apache TinkerPop), లేదా open-source RDF స్టోర్లు.
- వెక్టర్ + గ్రాఫ్: హైబ్రిడ్ రీట్రీవల్ కోసం వెక్టర్ DB (ఉదా: OpenSearch, pgvector, Pinecone) తో జతపరచండి.
4) పని చేయు రీట్రీవల్ ప్యాటర్న్స్
- నైబర్హుడ్ విస్తరణ: ప్రశ్న ఎంటిటీల చుట్టూ k-హాప్ సబ్గ్రాఫ్లను తెచ్చుకోండి.
- మార్గ సెర్చ్: ఎంటిటీల మధ్య అతి చిన్న లేదా అర్థవంతమైన మార్గాలను కనుగొనండి.
- హైబ్రిడ్ ర్యాంకింగ్: సాంద్రత సామ్యత స్కోర్లతో గ్రాఫ్ అభ్యర్ధులను రీ-రैंक చేయండి.
- సంగ్రహించిన సందర్భం: సబ్గ్రాఫ్లను నిర్మిత నోట్స్—ఎంటిటీ కార్డులు, సంబంధ సంగ్రహాలు, సాక్ష్య జాబితాలు—గా సంకుచితం చేయండి.
5) గార్డ్రెయిల్స్ మరియు విచారణ
- ఎడ్జ్ విశ్వసనీయతను ధృవీకరించండి; ఎక్కువగా ఉపయోగించే లేదా వివాదాస్పద ఎడ్జెస్ ను ట్రాక్ చేయండి.
- ఖర్చు/లేటెన్సీ మరియు హిట్-రేట్లను గ్రాఫ్ vs వెక్టర్ రీట్రీవల్ లో కొలవండి.
- డ్రిఫ్ట్ ను పర్యవేక్షించండి: డొమైన్ భాష మారితే ఎక్స్ట్రాక్షన్ మోడల్స్ను మళ్లీ శిక్షణ ఇవ్వండి.
వాస్తవ ప్రపంచంలో GraphRAG గెలవు కేసులు
- ఎంటర్ప్రైజ్ నాలెడ్జ్ బేసులు: బృందాల పరస్పర ఆధారిత సంబంధాలు, పాలసీ సంబంధాలు, సంస్థ చార్ట్లు.
- అడల్టెన్స్ మరియు ఆడిట్: గ్రాఫ్ ఆధారిత సూచనలతో ట్రేసబుల్ సమాధానాలు.
- బయోమెడ్ మరియు శాస్త్రీయ సాహిత్యం: ఎంటిటీ-భారిత కార్పస్లు సంబంధ కారణ నిరూపణతో లాభపడతాయి.
- ఫింటెక్ మరియు రిస్క్: కాంటరిపార్టీ సంబంధాలు, సొంత hierarchies, లావాదేవీ మార్గాలు.
- కస్టమర్ సపోర్ట్ స్కేల్: ఉత్పత్తి వేరియంట్లు, అనుగుణత మ్యాట్రిక్స్లు, మరియు సమస్య పరిష్కార ప్రవాహాలు.
AWS GraphRAG ను వెక్టర్-ఓన్లీ రీట్రీవల్ కంటే సమగ్రంగా మరియు వివరణాత్మకంగా చూపిస్తుంది, ముఖ్యంగా హైబ్రిడ్ సెర్చ్ మరియు గ్రాఫ్ డేటాబేస్ల ఉపయోగంతో—ఏ క్లౌడ్లోనైనా మీరు అనుసరించగల ఉపయోగకరమైన పద్దతులు.
పనితీరు: ఎలాంటి ఆశించాలి
- క్లీన్ ఎంటిటీ లింకింగ్ తో మల్టీ-హాప్ మరియు లాంగ్-టెయిల్ ప్రశ్నల్లో ఖచ్చితత్వంలో మెరుగుదల.
- జనరేషన్ దశ గ్రాఫ్ సాక్ష్యాలతో బౌండ్ అయితే హల్యూసినేషన్స్ తగ్గిపోవడం.
- సబ్గ్రాఫ్లను క్యాష్ చేయకపోతే లేటెన్సీ పెరుగుతుంది; సాధారణ మార్గాలు లేదా ఎంటిటీ సంగ్రహాలు ముందుగా కంప్యూట్ చేయడం పరిశీలించండి.
- ప్రాథమిక గ్రాఫ్ నిర్మాణం సమయంలో ఖర్చు పెరుగుదల; స్థిర స్థితిలో ఖర్చులు నవీకరణ తరచుదనం మరియు ప్రశ్నల పరిమాణంపై ఆధారపడి ఉంటాయి.
ధరలు, లైసెన్సింగ్, మరియు ఎకోసిస్టమ్
“GraphRAG” ఒక పద్ధతి, ఒక్క ఉత్పత్తి కాదు. మీరు సేవలను కలిగి ఉంటారు:
- గ్రాఫ్ డేటాబేస్ (మేనేజ్డ్ లేదా స్వీయ-సర్వ్) + వెక్టర్ స్టోర్.
- ఎక్స్ట్రాక్షన్ మరియు జనరేషన్ కోసం LLM/API ఖర్చులు.
- ఐచ్ఛిక సమన్వయం (Airflow, Dagster) మరియు మూల్యాంకన (Ragas, కస్టమ్ మెట్రిక్స్).
ఓపెన్ సోర్స్ ఫ్రేమ్వర్క్లు GraphRAG భాగాలను పెరుగుతున్న అంశంగా అందిస్తున్నాయి. సాహిత్యం వేగంగా అభివృద్ధి చెందుతున్న ప్రాంతం, సడలించిన వర్క్ఫ్లోలు మరియు మూల్యాంకన పద్ధతులను చూపిస్తుంది. క్లౌడ్ విక్రేతలు ప్రారంభించడానికి రిఫరెన్స్ ఆర్కిటెక్చర్లు మరియు కోడ్ నమూనాలను ప్రచురిస్తున్నారు.
డెవలపర్ అనుభవం: సాఫీగా ఉన్నది vs సమస్యలైనది
- సాఫీగా: గ్రాఫ్ DB అనుసంవదించడం; హైబ్రిడ్ క్వెరీ లేయర్లు నిర్మించడం; వివరణ UI లను (నోడ్లు/ఎడ్జెస్ మరియు స్రోతులు) ప్రదర్శించడం.
- సమస్యలు: భారీ, నాణ్యమైన సంబంధాలు ఎక్స్ట్రాక్షన్; ఎంటిటీలను డీపీలికేట్ చేయడం; అంటాలజీని స్థిరంగా ఉంచడం; గ్రాఫ్ బ్లోట్ నివారణ.
బెంచ్మార్క్లు మరియు మూల్యాంకన చిట్కాలు
- ప్రముఖ మార్గాలతో మల్టీ-హాప్ టెస్ట్ సెట్లు సృష్టించండి; ఫైనల్ సమాధానాలు మరియు సాక్ష్య కవచం రెండింటినీ గ్రేడ్ చేయండి.
- వివరణాత్మకత నాణ్యతను ట్రాక్ చేయండి: సిస్టమ్ claim కోసం సరైన నోడ్లు/ఎడ్జెస్ చూపించగలదా?
- సమాన ప్రమ్ప్ట్స్ పై హైబ్రిడ్ మరియు వెక్టర్-ఓన్లీ రీట్రీవల్ను పోల్చండి; ఖచ్చితత్వం, లేటెన్సీ, మరియు సందర్భ పొడవు కొలవండి.
- పలుకుబడి ఉన్నా అసమర్థిత ఆరోపణలకు శిక్ష విధించండి—GraphRAG గ్రౌండింగ్ మెరుగుపరచాలి.
ఎప్పుడు GraphRAG అవసరం లేదు
- తేమైన, FAQ తరహా డొమైన్లు, వాటిలో క్రాస్-డాక్యుమెంట్ కారణ నిరూపణ తక్కువగా ఉంటుంది.
- ఎగిరేసే కంటెంట్గా ఉండి ఎక్స్ట్రాక్షన్ తరచూ జాప్యం అవుతుంది.
- గ్రాఫ్ ట్రావర్సల్ లేదా సంగ్రహీకరణకు చోటు లేకుండా ఎక్కువ లేటెన్సీ SLAలు ఉండడం.
సిఫార్సులు
- వెక్టర్ RAG తో ప్రారంభించండి; కఠినమైన ప్రశ్నల కోసం GraphRAG ను క్రమంగా జోడించండి.
- ఒక వేర్టికల్ తో పైలట్ ప్రారంభించండి (ఉదా: పాలసీలు లేదా ఉత్పత్తి అనుగుణత) మరియు కనీస Ontology తో.
- సబ్గ్రాఫ్లు, ఎంటిటీ కార్డులు, మరియు సంబంధ సంగ్రహాలను ముందుగా కంప్యూట్ చేసి క్యాష్ చేయండి.
- ఖర్చు పరిమితులను స్థాపించండి: ఎక్స్ట్రాక్షన్ కోసం LLM కాల్స్ పరిమితి పెట్టండి మరియు విశ్వసనీయత థ్రెషోల్డ్స్ ఉపయోగించండి.
- వివరణ రూపాన్ని ప్రారంభంలోనే నిర్మించండి—GraphRAG యొక్క ముఖ్య విలువ ప్రతిపాదన.
దేదీ: నిర్మాణ లూప్ వేగవంతం చేయడం
మీరు పోస్టు, రీట్రీవల్ చైన్స్, మరియు మూల్యాంకన పై తిరుగుతున్నప్పుడు, మీ డాక్యుమెంట్లు మరియు కోడ్ పక్కన ఉంటూ చాట్ చేయగల AI సహాయాన్ని ఉపయోగించడం సౌకర్యంగా ఉంటుంది. గమనించదగ్గది: Sider.AI మీకు డాక్యుమెంట్లతో చాట్ చేయడం, కోడ్ రూపొందించడం, మరియు ఒకే వర్క్స్పేస్లో అవుట్పుట్లను పోల్చడం అనుమతిస్తుంది, ఇది GraphRAG ప్రమ్ప్ట్లు మరియు డాక్యుమెంటేషన్ సమీక్షలను వేగవంతం చేయగలదు (https://sider.ai/). నిర్ణయం: GraphRAG దీని అర్హత ఉందా?
అవును—మీ యూజ్ కేసులు మల్టీ-హాప్ కారణ నిరూపణ, ప్రూవెనెన్స్, మరియు డొమైన్ సతతత్వం కోరుకుంటే. GraphRAG సిల్వర్ బుల్లెట్ కాకపోయినా, కాంప్లెక్సైన, ఎంటిటీ-భారిత రంగాలలో వెక్టర్-ఓన్లీ RAG కి ఒక అసలు మెరుగుదల. అధిక సెటప్ ఖర్చులు మరియు సమన్వయాన్ని భావించండి, కానీ ఖచ్చితత్వం మరియు నమ్మకం లో స్పష్టమైన లాభాలు అందుబాటులో ఉంటాయి.
మీ పని చాలా సూటిగా Q&A అయితే, బాగా సెట్ చేసిన వెక్టర్ RAG తో మిగిలిపోండి. మిగతావన్నీ కోసం—ప్రత్యేకించి "మీ పని చూపించండి" ముఖ్యం అయినప్పుడు—GraphRAG తన విలువ చూపిస్తుంది.
ముఖ్యమైన అంశాలు
- GraphRAG నాలెడ్జ్ గ్రాఫ్లను RAG తో పెంచి కారణ నిరూపణ మరియు వివరణాత్మకతను మెరుగుపరుస్తుంది.
- మల్టీ-హాప్ ప్రశ్నల మరియు కంప్లయిన్స్-భారిత పరిస్థితులపై ఇది మెరుగ్గా పనిచేస్తుంది.
- ఖర్చులు మరియు కాంప్లెక్సిటీ పెరుగుతాయి—గ్రాఫ్ నిర్మాణం కోసం LLM కాల్స్ ఎక్కువ అవసరం మరియు సతత నిర్వహణ కూడా ఉంటుంది.
- చిన్నగా ప్రారంభించి, హైబ్రిడ్ రీట్రీవల్ వాడండి, మరియు వివరణాత్మకతను ప్రాధాన్యం ఇవ్వండి.
అक्सर అడిగే ప్రశ్నలు
Q1: సరళ భాషలో GraphRAG అంటే ఏమిటి?
GraphRAG అనేది retrieval-augmented generation అందిస్తున్నది, ఇది నాలెడ్జ్ గ్రాఫ్ ఉపయోగించి ఇంగ్లీష్ టెక్ట్స్ సమాన చంక్లను మాత్రమే కాకుండా ఎంటిటీలను మరియు సంబంధాలను రీట్రైవ్ చేస్తుంది. ఇది వెక్టర్-ఓన్లీ RAG తో పోల్చితే మల్టీ-హాప్ కారణ నిరూపణను మరియు వివరణాత్మకతను మెరుగుపరుస్తుంది.
Q2: నేను 언제 GraphRAG ను వెక్టర్ RAG కంటే వాడాలి?
పలుమార్లు ఫ్యాక్ట్స్ Stitch చేయాల్సిన, డాక్యుమెంట్ల మధ్య సమస్యలను పరిష్కరించగల, ప్రూవెనెన్స్ అవసరమున్న ఇంగ్లీష్-భరిత డొమెయిన్ల కోసం GraphRAG ఉపయోగించండి. సులభమైన FAQs లేదా వేగవంతమైన లుక్-అప్ పనుల కోసం వెక్టర్ RAG చాలిపోతుంది.
<a0>Q3: GraphRAG నిర్మాణం మరియు నిర్వహణ ఖరీదైనదా?
అవును కావచ్చు. ఎంటిటీల మరియు సంబంధాల ఎక్స్ట్రాక్షన్ కోసం చాలా LLM కాల్స్ మరియు జాగ్రత్త అవసరం అవుతుంది, దీంతో ఖర్చు పెరుగుతుంది. గ్రాఫ్ మరియు Ontologyకి సతత నవీకరణలు నిర్వహించుకోవడం అదనపు బాధ్యత.Q5: GraphRAG పనితీరును ఎలా మూల్యాంకనం చేస్తాం?
ప్రముఖ మార్గాలతో మల్టీ-హాప్ టెస్ట్ సెట్లను సృష్టించి, వెక్టర్-ఓన్లీ రీట్రీవల్ తో పోల్చండి. ఖచ్చితత్వం, లేటెన్సీ, మరియు సాక్ష్య కవచాన్ని కొలవండి. అలాగే వివరణాత్మకతను కూడా గ్రేడ్ చేయండి—సిస్టమ్ సరైన నోడ్లు మరియు ఎడ్జ్లను చూపించగలదా?
