Leer hoe Graph RAG de nauwkeurigheid en betrouwbaarheid van RAG-applicaties kan verbeteren! Sla informatie op als knooppunten en randen in een Neo4j-database en geef je LLM de mogelijkheid om daarop te query'en, zodat het entiteiten- en relatie-informatie kan ophalen om onderbouwde antwoorden te geven.

Grafen en RAG

Nodes maken

Relaties maken

Graph-documenten opslaan

Een knowledge graph bevragen

Cypher-statements schrijven

Cypher-statements uitvoeren

De MERGE-clausule

Text-naar-Cypher Graph RAG met Neo4j

Een text-to-Cypher-chain bouwen

Text-to-Cypher retrieval chain

Aan de slag met Graph RAG en Neo4j

Text-to-Cypher-applicaties werken in veel situaties goed, maar we kunnen het nóg beter doen! Ontdek hoe je grafendatabases opzet met verschillende grafenmodellen, waaronder lexicale en domeingrafen. Maak Neo4j-vectorindexen zodat je het beste van beide werelden hebt en graf- en vector-retrieval gelijktijdig kunt uitvoeren!

Lexicale grafen

Elementen van een lexicale graaf

Het toneelstuk splitsen in bedrijven

Een hiërarchische lexicale graaf maken

Lexicale grafen combineren met vectorzoekopdrachten

Tekst opdelen in chunks

Een vectorindex maken

Domeingrafen

Een gestructureerde output maken

Een gestructureerde output aanvragen

Few-shotvoorbeelden toevoegen

Een hybride retrieval-keten bouwen

Runnable-lambda's

Extra waarden toekennen aan een input

De laatste schakel in de keten

Grafenmodellen en hybride RAG

Hoewel Graph RAG-toepassingen over het algemeen betrouwbaarder zijn dan vector-RAG, zijn ze niet onfeilbaar. In dit hoofdstuk leer je je Graph RAG-applicaties evalueren, onjuiste of dubbele grafknooppunten opsporen en langetermijngeheugen integreren zodat gebruikersvoorkeuren in de tijd kunnen worden geleerd.

Entiteitsresolutie

Gëxtraheerde entiteiten gebruiken

Grafgebaseerde entity resolution

Graph RAG evalueren met RAGAS

Een Ragas-evaluatie maken

Context retrieval evalueren met Ragas

Geheugengrafen

Gespreksgeheugen in de grafiek opslaan

Feiten extraheren uit gespreksgeschiedenis

Uitgehaalde gespreksfeiten gebruiken

Gefeliciteerd!

Retrievalkwaliteit verbeteren

Ben je vectoren, embeddings en vector-RAG-applicaties wel even zat? Dan ben je hier aan het juiste adres! In deze cursus ontdek je hoe Graph RAG de nauwkeurigheid en betrouwbaarheid van RAG-applicaties sterk kan verbeteren door informatie op te slaan en te bevragen in de vorm van knooppunten en relaties. Combineer Neo4j-grafendatabases met LangChain en je krijgt een fantastische manier om externe data met LLM's op te halen en te integreren.

<h2>Til je RAG-toepassingen naar een hoger niveau met grafen</h2>Ben je al uitgekeken op vectors, embeddings en vector-RAG-toepassingen? Je hoeft niet verder te zoeken! In deze cursus ontdek je hoe Graph RAG de nauwkeurigheid en betrouwbaarheid van RAG-toepassingen aanzienlijk kan verbeteren door informatie op te slaan en te raadplegen in de vorm van knooppunten en relaties. Combineer Neo4j graph databases met LangChain en je krijgt een geweldige manier om externe data op te halen en te integreren met LLMs.<br><br><h2>Maak Neo4j Graph Databases van ongestructureerde tekst</h2>Wat als mijn dataset rommelige, ongestructureerde tekst is in plaats van een grafiek? Geen paniek—je leert hoe je LLMs gebruikt met gestructureerde outputs om entiteiten en relaties uit tekst te halen, en om nieuwe knooppunten en relaties voor je grafendatabase te creëren. Je gebruikt de Pydantic-bibliotheek om strikte datastructuren te definiëren waarmee je LLM de geëxtraheerde tekstgegevens kan invullen.<br><br><h2>Combineer vectoren en grafen voor hybride RAG</h2>Je hoeft niet te kiezen tussen vectoren en grafen—je kunt het beste van beide werelden hebben! Ontdek hoe je gegevens uit beide databronnen kunt ophalen in één workflow en zorgvuldig prompts kunt opstellen om ze te integreren in een hybride RAG-toepassing.<br><br><h2>Integreer Langetermijn Chatbot-geheugen</h2>Grafendatabases zoals Neo4j zijn niet alleen handig als kennisbank voor het ophalen van informatie, maar je kunt er ook langetermijninformatie zoals gebruikersfeiten en voorkeuren als grafen in opslaan! Dit langetermijngeheugen kan vervolgens net als elke andere grafendatabase worden geraadpleegd om deze voorkeuren te integreren en je applicaties te personaliseren.

Retrieval Augmented Generation (RAG) with LangChain

Maak nauwkeurigere en betrouwbaardere RAG-systemen met Graph RAG en hybride RAG.

Graph RAG met LangChain en Neo4j

Verbeter de nauwkeurigheid en betrouwbaarheid van RAG-systemen met Graph RAG en hybrid RAG.

Manager, Developer Education at Neo4j

Lexicale grafen combineren met vectorzoektocht

Relaties gebruiken in semantisch zoeken

Teksteigenschappen naar embeddings

Neo4j als vectoropslag

Bestaande node-eigenschappen chunken

Vectorindex maken op een bestaand graaf

Vectoropvraging met LCEL

Laten we oefenen!

Grafenmodellen en hybride RAG - Lexicale grafen combineren met vectorzoekopdrachten

Lexicale grafen combineren met vectorzoekopdrachten

Create Your Free Account