通過對比其他商用LLM的缺陷，本文詳細介紹了TigerGraph CoPilot的主要功能、優點、以及兩個關鍵用例。
近年來，數據作為一種生產要素，已經能夠有能力為我們提供橫跨不同行業的變革性商業見解了。不過，如何利用好可以獲得的大數據，往往給我們帶來了不小的挑戰。一面是過載的數據，一面卻是大量未被充分利用的數據孤島。不少專業數據科學家和分析師亟待通過專業知識，讓自己所在的組織能夠在不犧牲性能和運營效率的情況下，及時地處理持續增長的數據，并從復雜的數據中提取潛藏在表層之下的見解。
最近，人工智能(AI)在自然語言處理方面的突破，改變了數據集中化訪問的方式。通過充分利用人工智能CoPilot的實時處理和分析大規模數據的能力，更多的用戶可以輕松地查詢和解釋復雜的數據集，進而有助于組織快速做出明智的決策。同時，人工智能CoPilot也可以通過自動化復雜的數據流程，以及授權較少的技術人員進行深層次的數據分析，管理與控制大型數據集的高昂成本，進而優化資源的整體分配。
不過，生成式AI和大語言模型(LLM并非毫無瑕疵。由于大多數LLM都建立在通用的公共知識的基礎上，因此它們無法知曉特定組織的特定數據，更不用說那些機密數據了。同時，LLM除了無法了解不斷變化的信息世界，另一個更為嚴重的問題是“幻覺”。也就是說，生成式模型在其統計過程所生成的結論，可能只是其一廂情愿，而根本不真實。
可見，我們迫切需要一種更具備上下文相關性、更少出錯的AI，在預測分析和機器學習過程中，提供能夠直接提升業務決策準確度的優質數據。
TigerGraph CoPilot簡介
作為一款AI助手，TigerGraph CoPilot結合了圖形數據庫和生成式AI的功能，旨在提高分析、開發和管理各種業務任務的生產力。TigerGraph CoPilot允許業務分析師、數據科學家、以及開發人員，使用自然語言對大規模的最新數據執行實時查詢，以獲得從自然語言、圖形可視化、以及其他視角來展示和分析的數據見解。
針對前文提到的AI缺陷，TigerGraph CoPilot可以通過提高準確性和減少幻覺，來為組織充分挖掘數據潛力，并在客戶服務、市場營銷、產品銷售、數據科學、開發和工程等領域推動知情決策，真正體現生成式AI應用的價值所在。
TigerGraph CoPilot的主要功能和優勢
- 圖形增強式自然語言查詢
- 針對圖形增強的生成式AI
- 可靠且負責任(相對于幻覺而言)的AI
- 高性能與擴展性
圖形增強式自然語言查詢
TigerGraph CoPilot允許非技術用戶使用日常交流語言對數據進行查詢和分析。這使得他們能夠更專注于挖掘見解，而不必學習新的技術或計算機語言。針對每一個用戶問題，CoPilot都會采用一種新穎的三段式交互方法(如下)，同時與TigerGraph數據庫及用戶選擇的LLM進行交互，以獲得準確和相關的回答。
- 在第一階段，TigerGraph CoPilot會將問題與數據庫中可用的特定數據予以比對。具體而言，它會使用LLM將問題與圖形的模式進行比較，并用圖形元素替換問題中的實體。例如，如果有一個頂點(vertex)類型為BareMetalNode，并且用戶詢問“有多少服務器?”，那么問題就會被轉換為“有多少BareMetalNode頂點?”
- 在第二階段，TigerGraph CoPilot使用LLM將轉換后的問題，與一組精心策劃的數據庫查詢與函數進行比較，以選擇最佳匹配。使用預先批準的查詢通常會有兩個好處：
首先，由于每個查詢的含義和行為都經歷了驗證，因此它們有效地降低了產生幻覺的可能性。
其次，該系統具有預測回答問題所要調用的執行資源的潛力。
- 在第三階段，TigerGraph CoPilot會執行那些已識別的查詢，并以自然語言返回相關結果，及其背后運作的推理。同時，CoPilot的圖形增強式自然語言查詢，提供了良好的屏障，既能降低模型幻覺的風險，又可澄清每個查詢的含義，還會提供對結果的理解。
針對圖形增強的生成式AI
TigerGraph CoPilot可以基于用戶自己的文檔和數據，創建帶有圖形增強AI的聊天機器人，且無需現有的圖形數據庫。在這種操作模式下，TigerGraph CoPilot會通過資源材料來構建知識圖，并應用其獨特的檢索增強生成(RAG)的變體，來提高自然語言問題答案的上下文相關性和準確性。
首先，在加載用戶文檔時，TigerGraph CoPilot會從文檔塊中提取實體和關系，并從文檔中構造出知識圖。知識圖往往通過關系連接數據點，以結構化的格式來組織信息。同時，CoPilot還會識別概念，構建本體，向知識圖中添加語義和推理。當然，用戶也可以提供自己的概念本體。
然后，通過使用該綜合知識圖，CoPilot會執行混合檢索，即：結合傳統的矢量搜索和圖形遍歷，來收集更多的相關信息和更為豐富的上下文，以回答用戶的各類問題。
通過將數據組織為知識圖，聊天機器人可以快速且高效地訪問到準確的、基于事實的信息，從而減少了對于需要根據培訓過程的學習模式，來生成響應的依賴。畢竟，這樣的模式有時可能并不正確、甚至已經過時。
可靠且負責任的AI
如前文所述，TigerGraph CoPilot通過允許LLM管理查詢，來訪問圖形數據庫，以緩解幻覺。同時，它能夠通過采取相同的、基于角色的訪問控制和安全措施(已經成為了TigerGraph數據庫的一部分)，來確保實現負責任的AI。此外，TigerGraph CoPilot還通過開放其主要組件，并允許用戶選擇其LLM服務，來保持開放性和透明性。
高性能與擴展性
通過利用TigerGraph數據庫，TigerGraph CoPilot為圖形分析提供了較高的性能。而作為一個基于圖形的RAG解決方案，它也為知識圖驅動的問答提供了大規模的可擴展的知識庫。
TigerGraph CoPilot關鍵用例
- 從自然語言到數據見解
- 內容豐富的問答
從自然語言到數據見解
無論您是業務分析師、數據專家、還是調查人員，TigerGraph CoPilot都能夠讓您快速地從數據中獲取信息和見解。例如，CoPilot可以通過回答“請給我展示最近誤報的欺詐案件列表”等問題，為欺詐調查人員生成相關報告。同時，CoPilot也可以促進更準確的調查，例如：“誰在過去一個月里，與123賬戶進行了金額超過1000美元的交易?”
TigerGraph CoPilot甚至可以通過沿著依賴關系去遍歷圖形，以回答諸如“如果……會怎么樣”等問題。例如，您可以從供應鏈圖中，輕松找到“哪些供應商可以彌補部件123的短缺?”或從數字基礎設施圖中，找到“哪些服務會受到服務器321升級的影響?”
內容豐富的問答
TigerGraph CoPilot在為用戶的數據和文檔構建問答聊天機器人時，能夠基于知識圖的RAG方法，實現上下文信息的準確檢索，以便給出更好的答案和更明智的決策。可以說，由CoPilot給出的、內容豐富的問答，直接提高了典型問答應用(如：呼叫中心、客戶服務、以及知識搜索等場景)的生產力，并且降低了構建成本。
此外，通過將文檔知識圖和現有的業務圖(如：產品圖)合并為一個智能圖，TigerGraph CoPilot可以解決其他RAG方案所無法應對的問題。例如，通過將客戶的購買歷史與產品圖表相結合，CoPilot可以在客戶鍵入搜索查詢、或要求推薦時，做出更加準確的個性化建議。其典型場景包括：通過將患者的病史與健康圖表相結合，醫生或健康專家便可以獲得有關患者的更多實用信息，以提供更好的診斷或治療。
小結
綜上所述，相比其他商用LLM應用，TigerGraph CoPilot解決了復雜數據管理與相關分析的挑戰。通過它在自然語言處理和高級算法方面的強大功能，組織可以在克服數據過載和應對數據訪問欠佳方面，獲取巨大的業務洞察。同時，通過利用基于圖形的RAG，它也可以確保LLM輸出的準確性和相關性。
鑒于CoPilot允許更廣泛的用戶有效地利用數據，做出明智的決策，并能優化組織間的資源分配。我們認為，這是在實現數據訪問民主化，以及賦能組織充分利用其數據資產潛力方面的重大進步。
譯者介紹
陳峻(Julian Chen)，51CTO社區編輯，具有十多年的IT項目實施經驗，善于對內外部資源與風險實施管控，專注傳播網絡與信息安全知識與經驗。
原文標題：How TigerGraph CoPilot enables graph-augmented AI，作者：Hamid Azzawe
鏈接：https://www.infoworld.com/article/3715344/how-tigergraph-copilot-enables-graph-augmented-ai.html。
