克拉根:一个以知识图增强的RAG框架,用于使用大型语言模型解决生物医学问题
Nicholas Matsumoto1, Jay Moran1, Hyunjun Choi1
1Department of Computational Biomedicine, Center for Artificial Intelligence Research and Education, Cedars Sinai Medical Center, West Hollywood, CA 90069, United States.
Bioinformatics (Oxford, England)
|June 3, 2024
概括
知识检索增强代引擎 (KRAGEN) 通过整合知识图和高级提示来解决大型语言模型的局限性. 这种新的方法提高了事实的一致性,并减少了解决复杂问题时不相关的信息.
科学领域:
- 人工智能的人工智能
- 自然语言处理自然语言处理.
- 知识表示 知识表示
背景情况:
- 大型语言模型 (LLM) 在事实一致性和数据准确性方面面临挑战,特别是在生物医学等专业领域.
- 法律学的局限性包括产生幻觉和受到噪音数据的影响,影响可信度和合规性.
研究的目的:
- 引入知识检索增强生成引擎 (KRAGEN) 作为使用LLMs复杂问题解决的解决方案.
- 为了减轻LLM的局限性,如幻觉,并提高产生的见解的准确性.
主要方法:
- 克拉根结合了知识图,检索增强生成 (RAG) 和高级提示技术.
- 知识图被转换成一个向量数据库,通过RAG有效地检索事实.
- 采用思想图表 (GoT) 提示分解问题,检索相关知识,并合成解决方案.
主要成果:
- 克拉根有效地限制了幻觉,通过在检索的事实知识中将反应接地.
- 该系统动态地将复杂的问题分解为可管理的子问题,以便系统地解决.
- 为用户提供图形可视化,以评估解决问题的过程的逻辑和结构.
结论:
- 克拉根为提高LLM驱动问题的可靠性和准确性提供了一个强大的框架.
- 知识图和先进的RAG技术的整合代表了人工智能的重大进步.
- 作为开源软件,KRAGEN可供使用,以促进进一步的研究和应用开发.
