Lühidalt: HippoRAG kasutab iteratiivsete päringute asemel teadmusgraafikuid ja personaliseeritud PageRanki, et aidata suurtel keelemudelitel vastata küsimustele, mis nõuavad mitmest dokumendist pärineva teabe seostamist.
AWS tutvustab HippoRAG-i rakendust — Retrieval-Augmented-Generation raamistikku, mis jäljendab inimese hipokampuse süsteemi toimimist. Süsteem parandab mitmeetapilist (multi-hop) järeldamist üle mitme andmeallika, kasutades selleks teadmusgraafikuid ja personaliseeritud PageRanki.
Standardsed Retrieval Augmented Generation (RAG) meetodid käsitlevad dokumente üksteisest eraldatuna ega tule toime ülesannetega, mis nõuavad seoste loomist mitme allika vahel. HippoRAG lahendab selle piirangu raamistikuga, mis lähtub inimese pikaajalise mälu hipokampuse-põhisest indekseerimissüsteemist: samal ajal kui neokorteks töötleb sisendeid, loob hipokampus mälestuste vahel assotsiatsioonide võrgustiku. See kahekomponendiline süsteem võimaldab tõhusat teabe integreerimist erinevate kogemuste lõikes.
AWS-i rakendus kasutab nelja põhikomponenti: Amazon Bedrock eraldab teadmusgraafiku triipleid ja tuvastab nimeüksusi, Amazon Neptune salvestab graafiku struktuuri, Amazon Neptune Analytics käivitab personaliseeritud PageRanki algoritme asjakohasuse järjestamiseks ning Amazon Titan Embeddings loob vektoresitused sarnasuse võrdlemiseks. Selline lähenemine võimaldab ühe-etapilist mitmeetapilist (multi-hop) otsingut mitmekordsete iteratsioonide asemel.
Rakendamine eeldab AWS-i kontot, millel on juurdepääs Bedrocki ja Neptune’i teenustele, konfigureeritud Neptune’i eksemplari, Neptune’ist genereeritud Analytics-graafikut, Python 3.8+ ja CLI paigaldust ning IAM-õigusi nimetatud teenuste jaoks. Andmetöötlusahel teisendab toorandmed (näiteks HotpotQA JSON-vormingus) Neptune’iga ühilduvateks CSV-failideks Bedrocki abil tehtava eraldamise kaudu, laadib need S3 kaudu Neptune’i klastrisse ning korraldab kõiki torustiku etappe spetsiaalse importimisklassi abil.
Tehnikajuhtide (CTO) jaoks tähendab see praktilist referentsarhitektuuri ettevõtte mastaabis RAG-süsteemidele, mis lähevad kaugemale lihtsast vektorsarnasusest. Lähenemine lahendab tuntud probleemi: keerukate järeldamisülesannete puhul, kus teave on omavahel seotud, vajavad suured keelemudelid struktureeritud graafikuid, mitte ainult vektoreid.
Allikas: aws.amazon.com · Avaldatud 1. juuli 2026
Lumi AI News — tehisintellekti abil kureeritud vastavalt tehisintellektimääruse artiklile 50. Parafraseerimine ja klassifitseerimine Lumi News Pipeline v1.7.2 abil.