Impulsando el rendimiento de RAG usando grafos de conocimiento: el enfoque GraphRAG

Retrieval-Augmented Generation y sus limitaciones

Retrieval-Augmented Generation (RAG) [1] es una técnica que mejora los Large Language Models (LLMs) conectándolos a bases de conocimiento externas. Esto permite a los LLM acceder y utilizar información relevante de fuentes como bases de datos, documentos o internet antes de generar respuestas.

Aunque en general es eficaz para muchas tareas, puede tener dificultades con consultas complejas que requieren un razonamiento intrincado o implican múltiples conceptos interconectados. Esto se debe a que el RAG tradicional se centra principalmente en recuperar e integrar información relevante, pero puede no ser capaz de capturar y utilizar eficazmente las relaciones y dependencias subyacentes entre diferentes piezas de información.

Las preguntas difíciles son las que requieren información dispersa en distintas partes de un texto, o las preguntas multi-hop que implican un razonamiento más allá del simple retrieval. A continuación, algunos ejemplos:

· ¿Cuál es la ruta más eficiente para viajar de Nueva York a Tokio, teniendo en cuenta el coste de los vuelos, las escalas y los husos horarios?

· Teniendo en cuenta mi historial médico y mis síntomas actuales, ¿cuáles son las posibles causas y los tratamientos recomendados?

Para enfrentar estas dificultades, una técnica que ha cobrado importancia recientemente es GraphRAG, que aprovecha los grafos de conocimiento como base de su mecanismo de retrieval. Además de mejorar las aplicaciones RAG, los grafos de conocimiento se han utilizado ampliamente en diversos ámbitos, como la web semántica o motores de búsqueda como Google y Bing [2].

Grafos de conocimiento: visión general

Un grafo de conocimiento (también conocido como Knowledge Graph o KG) es una representación estructurada de la información que representa entidades del mundo real y sus relaciones. En esencia, visualiza el conocimiento como una red, en la que los nodos representan entidades (como personas, lugares o conceptos) y las aristas representan las conexiones entre ellas. Esta información suele almacenarse en una base de datos de grafos, lo que permite una consulta y retrieval eficaces de los datos interconectados.

Un grafo de conocimiento está formado por los siguientes componentes:

· Entidades: componentes fundamentales de un grafo de conocimiento, que representan objetos, conceptos o individuos del mundo real. Son los nodos del grafo de conocimiento.

· Relaciones: conexiones entre entidades que expresan cómo se asocian entre sí. Suelen representarse como aristas dirigidas en el grafo, que indican la dirección de la relación.

· Etiquetas: etiquetas descriptivas asignadas a entidades y relaciones para proporcionar un contexto adicional y facilitar su identificación.

· Propiedades/Atributos: características o rasgos específicos asociados a las entidades o relaciones. Proporcionan información detallada sobre las entidades y sus conexiones.

Grafo de conocimiento simple con los componentes mencionados.

Como se puede ver en la imagen, hay dos entidades conectadas por la relación ACTED IN y ambas entidades tienen propiedades. Se trata de un ejemplo de triple, que es el componente básico de un grafo de conocimiento. Otro concepto relevante relacionado con los grafos de conocimiento es la ontología. Constituye el esquema que define los tipos de entidades, relaciones y atributos.

Ejemplo de ontología sobre algunos libros y autores. Fuente de la imagen [3].

Esta ontología sirve como esquema, definiendo los tipos posibles de entidades, relaciones y atributos dentro del grafo. La definición de este esquema es un paso crucial que debe darse antes de construir un grafo de conocimiento.

Combinación de la ontología con datos específicos del dominio da como resultado un grafo de conocimiento.

El grafo de conocimiento real se construye rellenando esta estructura con datos, creando instancias específicas de nodos y relaciones basadas en la ontología. En esencia, al combinar la ontología y los datos, se crea una representación concreta del conocimiento. A continuación, se muestra el grafo de conocimiento creado a partir de la ontología anterior.

Ejemplo de grafo de conocimiento. Fuente de la imagen [3].

RAG tradicional vs. GraphRAG

La extensión de los RAGs que incorpora grafos de conocimiento se denomina GraphRAG [4]. Es importante comparar y evaluar los beneficios que los grafos de conocimiento pueden aportar al RAG, e identificar los escenarios en los que resultan más beneficiosos. Sin embargo, es igualmente importante comprender sus limitaciones.

A continuación, se ofrece una tabla comparativa en la que se detallan las ventajas en verde y los inconvenientes en rosado.

Comparación entre RAG tradicional y GraphRAG.

Conclusión

Este post ha demostrado cómo los grafos de conocimiento pueden mejorar las aplicaciones de Retrieval Augmented Generation. Representar el conocimiento de manera estructurada mediante grafos de conocimiento permite una comprensión más profunda del contexto extraído, lo que da lugar a respuestas más precisas, sobre todo, para consultas en las que el RAG tradicional tiene dificultades. Aunque éste sigue siendo un enfoque valioso para muchos casos de uso, su potencial se amplía al integrarla con métodos basados en grafos.

En Cognizant, poseemos una profunda experiencia en la automatización de procesos, desarrollando e implementando activamente soluciones de vanguardia como la que se comentan en este post. Descubre cómo nuestros enfoques innovadores pueden ayudar a agilizar y optimizar sus procesos empresariales en el siguiente link.

Este post ha sido escrito por Alberto Ruiz, Leire Cobo y Daniel Aguilera.

Referencias

[1] Lewis, P. S. H., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Retrieved from https://arxiv.org/abs/2005.11401.

[2] Sanchez de Castro, A. (2022). Semantic Web and Knowledge Graphs: History and Evolution. Retrieved from ResearchGate.

[3] Schrader, B. (2020, January 15). What’s the Difference Between an Ontology and a Knowledge Graph? Medium.

[4] Edge, D., Trinh, H., Cheng, N., Bradley, J., Chao, A., Mody, A., Truitt, S., & Larson, J. (2024). From Local to Global: A Graph RAG Approach to Query-Focused Summarization. Retrieved from https://arxiv.org/abs/2404.16130.