Vytvářejte lepší RAG tím, že necháte tým agentů extrahovat a propojit vaše referenční materiály do znalostního grafu. Náš nový krátký kurz "Agentic Knowledge Graph Construction", který vyučuje @Neo4j Innovation Lead @akollegger, vám ukáže, jak na to. Znalostní grafy jsou důležitým způsobem, jak přesně ukládat informace, ale jejich ruční vytváření je hodně práce. V tomto kurzu se naučíte, jak vybudovat tým agentů, kteří přeměňují data – v tomto případě recenze produktů a faktury od dodavatelů – do strukturovaných grafů entit a vztahů pro RAG. Zjistěte, jak mohou agenti automaticky zpracovávat časově náročnou práci při vytváření grafů – extrahovat entity a vztahy (např. Sestava "obsahuje" produkt, Dodavatel části "supplied_by", "zmínka" o zákaznické recenzi Produkt), deduplikovat je, ověřovat fakta a ukládat je do databáze grafů – aby váš vyhledávací systém mohl najít správné informace pro generování přesného výstupu. Agenty můžete například použít k tomu, aby vám pomohli sledovat stížnosti zákazníků přímo ke konkrétním dodavatelům, výrobním procesům a hierarchiím produktů, a tím převést fragmentované informace na dotazovatelnou business intelligence. Dovednosti, které získáte: - Vytvářejte, ukládejte a přistupujte ke znalostním grafům pomocí databáze grafů Neo4j - Vytváření multiagentních systémů pomocí sady Agent Development Kit (ADK) od Googlu - Nastavte smyčku agentních pracovních postupů pro návrh a upřesnění schématu grafu prostřednictvím ověřování faktů - Propojte agenty generované grafy nestrukturovaných a strukturovaných dat do jednotného znalostního grafu Tento kurz se dostane do praxe, proč znalostní grafy poskytují přesnější vyhledávání informací než samotné vektorové vyhledávání, zejména pro aplikace s vysokými sázkami, kde na přesnosti záleží více než na fuzzy podobnosti. Zaregistrujte se zde: