Os dados têm o potencial de fornecer insights de negócios transformadores em vários setores, mas o aproveitamento desses dados apresenta desafios significativos. Muitas empresas enfrentam sobrecarga de dados, com grandes quantidades de dados isolados e subutilizados. Como as organizações podem lidar com grandes e crescentes volumes de dados sem sacrificar o desempenho e a eficiência operacional? Outro desafio é extrair insights de dados complexos. Tradicionalmente, este trabalho exige conhecimentos técnicos significativos, restringindo o acesso a cientistas e analistas de dados especializados.
Avanços recentes da IA no processamento de linguagem natural estão democratizando o acesso aos dados, permitindo que uma gama mais ampla de usuários consulte e interprete conjuntos de dados complexos. Este acesso ampliado ajuda as organizações a tomar decisões informadas com rapidez, aproveitando a capacidade dos copilotos de IA para processar e analisar dados em grande escala em tempo real. Os copilotos de IA também podem reduzir os elevados custos associados à gestão de grandes conjuntos de dados, automatizando processos de dados complexos e capacitando menos pessoal técnico para realizar análises de dados sofisticadas, otimizando assim a alocação geral de recursos.
No entanto, a IA generativa e os grandes modelos de linguagem (LLMs) apresentam suas deficiências. A maioria dos LLMs é construída com base no conhecimento público de uso geral. Eles não conhecerão os dados específicos e às vezes confidenciais de uma determinada organização. Também é muito desafiador manter os LLMs atualizados com informações em constante mudança. O problema mais sério, porém, são as alucinações – quando os processos estatísticos num modelo generativo geram afirmações que simplesmente não são verdadeiras.
Há uma necessidade urgente de uma IA que seja mais relevante contextualmente e menos propensa a erros. Isto é particularmente vital na análise preditiva e na aprendizagem automática, onde a qualidade dos dados pode impactar diretamente os resultados dos negócios.
Apresentando o TigerGraph CoPilot
TigerGraph CoPilot é um assistente de IA que combina os poderes de bancos de dados gráficos e IA generativa para aumentar a produtividade em várias funções de negócios, incluindo tarefas de análise, desenvolvimento e administração. TigerGraph CoPilot permite que analistas de negócios, cientistas de dados e desenvolvedores usem linguagem natural para executar consultas em tempo real em dados atualizados em escala. Os insights podem então ser apresentados e analisados por meio de linguagem natural, visualizações gráficas e outras perspectivas.
O TigerGraph CoPilot agrega valor às aplicações generativas de IA, aumentando a precisão e reduzindo as alucinações. Com o CoPilot, as organizações podem aproveitar todo o potencial dos seus dados e conduzir a tomada de decisões informadas em vários domínios, incluindo atendimento ao cliente, marketing, vendas, ciência de dados, devops e engenharia.
Principais recursos e benefícios do TigerGraph CoPilot
- Consulta de linguagem natural aumentada por gráfico
- IA generativa aumentada por gráfico
- IA confiável e responsável
- Alta escalabilidade e desempenho
Consulta de linguagem natural aumentada por gráfico
O TigerGraph CoPilot permite que usuários não técnicos usem sua fala cotidiana para consultar e analisar seus dados, liberando-os para se concentrarem na mineração de insights, em vez de terem que aprender uma nova tecnologia ou linguagem de computador. Para cada pergunta, o CoPilot emprega uma nova interação de três fases com o banco de dados TigerGraph e um LLM de escolha do usuário, para obter respostas precisas e relevantes.
A primeira fase alinha a questão com os dados específicos disponíveis no banco de dados. TigerGraph CoPilot usa o LLM para comparar a questão com o esquema do gráfico e substituir entidades na questão por elementos do gráfico. Por exemplo, se houver um tipo de vértice BareMetalNode e o usuário perguntar “Quantos servidores existem?”, a pergunta será traduzida para “Quantos vértices BareMetalNode existem?”
Na segunda fase, TigerGraph CoPilot usa o LLM para comparar a pergunta transformada com um conjunto de consultas e funções de banco de dados selecionadas para selecionar a melhor correspondência. O uso de consultas pré-aprovadas oferece vários benefícios. Em primeiro lugar, reduz a probabilidade de alucinações, porque o significado e o comportamento de cada consulta foram validados. Em segundo lugar, o sistema tem o potencial de prever os recursos de execução necessários para responder à questão.
Na terceira fase, o TigerGraph CoPilot executa a consulta identificada e retorna o resultado em linguagem natural junto com o raciocínio por trás das ações. A investigação em linguagem natural aumentada por grafos do CoPilot fornece fortes proteções, mitigando o risco de alucinações do modelo, esclarecendo o significado de cada consulta e oferecendo uma compreensão das consequências.
IA generativa aumentada por gráfico
TigerGraph CoPilot também pode criar chatbots com IA aumentada em gráficos nos próprios documentos do usuário. Não há necessidade de ter um banco de dados gráfico existente. Neste modo de operação, o TigerGraph CoPilot constrói um gráfico de conhecimento a partir do material de origem e aplica sua variante exclusiva de geração aumentada de recuperação (RAG) para melhorar a relevância contextual e a precisão das respostas às perguntas de linguagem natural.
Primeiro, ao carregar os documentos dos usuários, o TigerGraph CoPilot extrai entidades e relacionamentos de pedaços de documentos e constrói um gráfico de conhecimento a partir dos documentos. Os gráficos de conhecimento organizam as informações em um formato estruturado, conectando pontos de dados por meio de relacionamentos. O CoPilot também identificará conceitos e construirá uma ontologia, adicionando semântica e raciocínio ao gráfico de conhecimento, ou os usuários poderão fornecer sua própria ontologia de conceito. Em seguida, usando este gráfico de conhecimento abrangente, o CoPilot realiza recuperações híbridas, combinando pesquisa vetorial tradicional e travessias de gráfico, para coletar informações mais relevantes e um contexto mais rico para responder às perguntas dos usuários.
A organização dos dados como um gráfico de conhecimento permite que um chatbot acesse informações precisas e baseadas em fatos de forma rápida e eficiente, reduzindo assim a dependência da geração de respostas a partir de padrões aprendidos durante o treinamento, que às vezes podem estar incorretos ou desatualizados.
IA confiável e responsável
TigerGraph CoPilot mitiga alucinações permitindo que LLMs acessem o banco de dados gráfico por meio de consultas selecionadas. Ele também adere às mesmas medidas de controle de acesso e segurança baseadas em funções (já parte do banco de dados TigerGraph) para garantir uma IA responsável. TigerGraph CoPilot também oferece suporte à abertura e transparência ao abrir o código-fonte de seus principais componentes e permitir que os usuários escolham seu serviço LLM.
Alta escalabilidade e desempenho
Ao aproveitar o banco de dados TigerGraph, o TigerGraph CoPilot traz alto desempenho para análise gráfica. Como uma solução gráfica RAG, ela oferece suporte a bases de conhecimento em grande escala para soluções de perguntas e respostas baseadas em gráficos de conhecimento.
Principais casos de uso do TigerGraph CoPilot
- Linguagem natural para insights de dados
- Perguntas e respostas ricas em contexto
Linguagem natural para insights de dados
Quer você seja um analista de negócios, especialista ou investigador, o TigerGraph CoPilot permite que você obtenha informações e insights rapidamente a partir de seus dados. Por exemplo, o CoPilot pode gerar relatórios para investigadores de fraude respondendo a perguntas como “Mostre-me a lista de casos de fraude recentes que foram falsos positivos”. O CoPilot também facilita investigações mais precisas, como “Quem realizou transações com a conta 123 no mês passado com valores superiores a US$ 1.000?”
O TigerGraph CoPilot pode até responder perguntas do tipo “E se”, percorrendo seu gráfico ao longo das dependências. Por exemplo, você pode descobrir facilmente “Quais fornecedores podem cobrir a falta da peça 123?” do gráfico da sua cadeia de suprimentos ou “Quais serviços seriam afetados por uma atualização para o servidor 321” do gráfico da infraestrutura digital.
Perguntas e respostas ricas em contexto
TigerGraph CoPilot fornece uma solução completa para construir chatbot de perguntas e respostas com base em seus próprios dados e documentos. Sua abordagem RAG baseada em gráficos de conhecimento permite a recuperação de informações contextualmente precisas que facilitam melhores respostas e decisões mais informadas. As perguntas e respostas ricas em contexto do CoPilot melhoram diretamente a produtividade e reduzem custos em aplicações típicas de perguntas e respostas, como call centers, atendimento ao cliente e pesquisa de conhecimento.
Além disso, ao fundir um gráfico de conhecimento de documentos e um gráfico de negócios existente (por exemplo, gráfico de produto) em um gráfico de inteligência, o TigerGraph CoPilot pode resolver problemas que não podem ser resolvidos por outras soluções RAG. Por exemplo, ao combinar o histórico de compras dos clientes com gráficos de produtos, o CoPilot pode fazer recomendações personalizadas mais precisas quando os clientes digitam as suas consultas de pesquisa ou pedem recomendações. Ao combinar o histórico médico dos pacientes com gráficos de saúde, médicos ou especialistas em saúde podem obter informações mais úteis sobre os pacientes para fornecer melhores diagnósticos ou tratamentos.
Gráfico encontra IA generativa
O TigerGraph CoPilot aborda tanto os desafios complexos associados ao gerenciamento e análise de dados quanto as sérias deficiências dos LLMs para aplicações de negócios. Ao aproveitar o poder do processamento de linguagem natural e algoritmos avançados, as organizações podem desbloquear insights de negócios transformadores enquanto navegam pela sobrecarga de dados e pelas barreiras de acessibilidade. Ao aproveitar o RAG baseado em gráfico, eles podem garantir a precisão e a relevância dos resultados do LLM.
O CoPilot permite que uma gama mais ampla de usuários aproveite os dados de forma eficaz, impulsionando a tomada de decisões informadas e otimizando a alocação de recursos nas organizações. Acreditamos que é um passo significativo na democratização do acesso aos dados e na capacitação das organizações para aproveitarem todo o potencial dos seus ativos de dados.
Hamid Azzawe é CEO da TigerGraph.
–
Generative AI Insights oferece um local para líderes de tecnologia – incluindo fornecedores e outros colaboradores externos – explorarem e discutirem os desafios e oportunidades da inteligência artificial generativa. A seleção é ampla, desde aprofundamentos tecnológicos até estudos de caso e opiniões de especialistas, mas também subjetiva, com base em nosso julgamento de quais tópicos e tratamentos servirão melhor ao público tecnicamente sofisticado do InfoWorld. A InfoWorld não aceita material de marketing para publicação e reserva-se o direito de editar todo o conteúdo contribuído. Contato [email protected].