Graph RAG’in RAG uygulamalarının doğruluğunu ve güvenilirliğini nasıl artırabileceğini öğren! Bilgiyi bir Neo4j veritabanında düğümler ve kenarlar olarak depola ve LLM’ine bunu sorgulama yeteneği ver ki varlık ve ilişki bilgilerini çekip daha bilinçli yanıtlar üretebilsin.

Grafikler ve RAG

Düğüm oluşturma

İlişki oluşturma

Graf belge(ler)ini kaydetme

Bir bilgi grafiğini sorgulama

Cypher ifadeleri yazma

Cypher ifadelerini çalıştırma

MERGE ifadesi

Neo4j ile Metinden Cypher’a Graph RAG

Metinden Cypher'a bir zincir oluşturma

Metinden Cypher’a alma zinciri

Graph RAG ve Neo4j’e Başlangıç

Text-to-Cypher uygulamaları birçok durumda iyi çalışır, ama daha iyisini yapabiliriz! Sözlüksel ve alan grafikleri dahil farklı grafik modelleri kullanarak grafik veritabanlarının nasıl oluşturulacağını keşfet. Hem grafik hem de vektör getirmeyi aynı anda çalıştırabilmek için Neo4j vektör indeksleri oluştur ve iki dünyanın en iyisini bir araya getir!

Sözcüksel grafikler

Sözcüksel grafiğin öğeleri

Oyunu Perdelere Bölme

Hiyerarşik bir sözcüksel grafik oluşturma

Sözcüksel grafikleri vektör arama ile birleştirme

Metin parçaları oluşturma

Bir vektör indeksi oluşturma

Etki alanı grafikleri

Yapılandırılmış bir çıktı oluşturma

Yapılandırılmış bir çıktı isteme

Az örnekli örnekler sağlama

Hibrit bir getirme zinciri oluşturma

Çalıştırılabilir lambda'lar

Bir girdiye ek değerler atama

Zincirin son halkası

Grafik Modelleri ve Hibrit RAG

Graph RAG uygulamaları genel olarak vektör tabanlı RAG’den daha güvenilir olsa da, tamamen hatasız değildir. Bu bölümde, Graph RAG uygulamalarını değerlendirmeyi, hatalı veya yinelenen grafik düğümlerini tespit etmeyi ve kullanıcı tercihleri zaman içinde öğrenilebilsin diye uzun vadeli belleği entegre etmeyi öğreneceksin.

Varlık çözümleme

Çıkarılan varlıkları kullanma

Grafa dayalı varlık eşleştirme

RAGAS ile Graph RAG'i Değerlendirme

Bir Ragas değerlendirmesi oluşturma

Ragas ile bağlam getirmenin değerlendirilmesi

Bellek grafikleri

Konuşma belleğini grafikte kaydetme

Konuşma geçmişlerinden olguları çıkarma

Çıkarılan konuşma olgularını kullanma

Tebrikler!

Getirme Kalitesini Artırma

Vektörler, gömlemeler ve vektör tabanlı RAG uygulamalarından sıkıldın mı? O halde doğru yerdesin! Bu derste, bilgiyi düğümler ve ilişkiler şeklinde depolayıp sorgulayarak Graph RAG’in RAG uygulamalarının doğruluğunu ve güvenilirliğini nasıl ciddi biçimde artırdığını keşfedeceksin. Neo4j grafik veritabanlarını LangChain ile birleştirerek, LLM’lerle harici veriyi alma ve entegre etmede gerçekten harika bir yol elde edersin.

<h2>Grafiklerle RAG Uygulamalarınızı Geliştirin</h2>Vektörlerden, gömülerden ve vektör tabanlı RAG uygulamalarından sıkıldınız mı? Daha fazla aramayın! Bu kurs kapsamında, bilgileri düğümler ve ilişkiler şeklinde depolayarak ve sorgulayarak Graph RAG'in RAG uygulamalarının doğruluğunu ve güvenilirliğini nasıl önemli ölçüde artırabileceğini keşfedeceksiniz. Neo4j grafik veritabanlarını LangChain ile birleştirdiğinizde, LLM'lerle harici verileri almak ve entegre etmek için gerçekten etkileyici bir yöntem elde edersiniz.<br><br><h2>Yapılandırılmamış Metinden Neo4j Grafik Veritabanları Oluşturun</h2>Peki ya veri setim bir grafik yerine dağınık, yapılandırılmamış metinse? Panik yapmayın—LLM'leri yapılandırılmış çıktılarla nasıl kullanacağınızı, metinden varlıklar ve ilişkiler çıkarmayı ve grafik veritabanınız için yeni düğümler ve ilişkiler oluşturmayı öğreneceksiniz. Pydantic kütüphanesini kullanarak, LLM'inizin çıkarılan metin verileriyle dolduracağı katı veri yapılarını tanımlayacaksınız.<br><br><h2>Hibrit RAG için Vektörleri ve Grafiklerini Birleştirin</h2>Vektörler ile grafikler arasında seçim yapmak zorunda değilsiniz—her iki dünyanın en iyisine sahip olabilirsiniz! Her iki veri kaynağından da tek bir iş akışında nasıl veri çekebileceğinizi ve bunları bir hibrit RAG uygulamasına entegre etmek için komutları nasıl dikkatlice oluşturabileceğinizi keşfedin.<br><br><h2>Uzun Süreli Chatbot Hafızasını Entegre Edin</h2>Neo4j gibi grafik veritabanları, yalnızca bilgi tabanı olarak kullanılmakla kalmaz; aynı zamanda kullanıcıya ait bilgiler ve tercihler gibi uzun vadeli verileri de grafikler halinde depolayabilirsiniz! Bu uzun vadeli bellek, diğer grafik veritabanları gibi sorgulanabilir ve böylece bu tercihleri entegre ederek uygulamalarınızı kişiselleştirebilirsiniz.

Retrieval Augmented Generation (RAG) with LangChain

Graph RAG ve hibrit RAG ile daha doğru ve güvenilir RAG sistemleri oluşturun.

LangChain ve Neo4j ile Graph RAG

Daha doğru ve güvenilir RAG sistemleri için Graph RAG ve hibrit RAG kullanın.

Çalıştırılabilir lambda'lar

LangChain ve Neo4j ile Graph RAG

Egzersiz talimatları

Uygulamalı etkileşimli egzersiz