TigerGraph CoPilot如何实现图形增强式AI 原创

通过对比其他商用LLM的缺陷，本文详细介绍了TigerGraph CoPilot的主要功能、优点、以及两个关键用例。

近年来，数据作为一种生产要素，已经能够有能力为我们提供横跨不同行业的变革性商业见解了。不过，如何利用好可以获得的大数据，往往给我们带来了不小的挑战。一面是过载的数据，一面却是大量未被充分利用的数据孤岛。不少专业数据科学家和分析师亟待通过专业知识，让自己所在的组织能够在不牺牲性能和运营效率的情况下，及时地处理持续增长的数据，并从复杂的数据中提取潜藏在表层之下的见解。

最近，人工智能(AI)在自然语言处理方面的突破，改变了数据集中化访问的方式。通过充分利用人工智能CoPilot的实时处理和分析大规模数据的能力，更多的用户可以轻松地查询和解释复杂的数据集，进而有助于组织快速做出明智的决策。同时，人工智能CoPilot也可以通过自动化复杂的数据流程，以及授权较少的技术人员进行深层次的数据分析，管理与控制大型数据集的高昂成本，进而优化资源的整体分配。

不过，生成式AI和大语言模型(LLM并非毫无瑕疵。由于大多数LLM都建立在通用的公共知识的基础上，因此它们无法知晓特定组织的特定数据，更不用说那些机密数据了。同时，LLM除了无法了解不断变化的信息世界，另一个更为严重的问题是“幻觉”。也就是说，生成式模型在其统计过程所生成的结论，可能只是其一厢情愿，而根本不真实。

可见，我们迫切需要一种更具备上下文相关性、更少出错的AI，在预测分析和机器学习过程中，提供能够直接提升业务决策准确度的优质数据。

TigerGraph CoPilot简介

作为一款AI助手，TigerGraph CoPilot结合了图形数据库和生成式AI的功能，旨在提高分析、开发和管理各种业务任务的生产力。TigerGraph CoPilot允许业务分析师、数据科学家、以及开发人员，使用自然语言对大规模的最新数据执行实时查询，以获得从自然语言、图形可视化、以及其他视角来展示和分析的数据见解。

针对前文提到的AI缺陷，TigerGraph CoPilot可以通过提高准确性和减少幻觉，来为组织充分挖掘数据潜力，并在客户服务、市场营销、产品销售、数据科学、开发和工程等领域推动知情决策，真正体现生成式AI应用的价值所在。

TigerGraph CoPilot的主要功能和优势

• 图形增强式自然语言查询
• 针对图形增强的生成式AI
• 可靠且负责任(相对于幻觉而言)的AI
• 高性能与扩展性

图形增强式自然语言查询

TigerGraph CoPilot允许非技术用户使用日常交流语言对数据进行查询和分析。这使得他们能够更专注于挖掘见解，而不必学习新的技术或计算机语言。针对每一个用户问题，CoPilot都会采用一种新颖的三段式交互方法(如下)，同时与TigerGraph数据库及用户选择的LLM进行交互，以获得准确和相关的回答。

• 在第一阶段，TigerGraph CoPilot会将问题与数据库中可用的特定数据予以比对。具体而言，它会使用LLM将问题与图形的模式进行比较，并用图形元素替换问题中的实体。例如，如果有一个顶点(vertex)类型为BareMetalNode，并且用户询问“有多少服务器?”，那么问题就会被转换为“有多少BareMetalNode顶点?”
• 在第二阶段，TigerGraph CoPilot使用LLM将转换后的问题，与一组精心策划的数据库查询与函数进行比较，以选择最佳匹配。使用预先批准的查询通常会有两个好处：

首先，由于每个查询的含义和行为都经历了验证，因此它们有效地降低了产生幻觉的可能性。

其次，该系统具有预测回答问题所要调用的执行资源的潜力。

• 在第三阶段，TigerGraph CoPilot会执行那些已识别的查询，并以自然语言返回相关结果，及其背后运作的推理。同时，CoPilot的图形增强式自然语言查询，提供了良好的屏障，既能降低模型幻觉的风险，又可澄清每个查询的含义，还会提供对结果的理解。

针对图形增强的生成式AI

TigerGraph CoPilot可以基于用户自己的文档和数据，创建带有图形增强AI的聊天机器人，且无需现有的图形数据库。在这种操作模式下，TigerGraph CoPilot会通过资源材料来构建知识图，并应用其独特的检索增强生成(RAG)的变体，来提高自然语言问题答案的上下文相关性和准确性。

首先，在加载用户文档时，TigerGraph CoPilot会从文档块中提取实体和关系，并从文档中构造出知识图。知识图往往通过关系连接数据点，以结构化的格式来组织信息。同时，CoPilot还会识别概念，构建本体，向知识图中添加语义和推理。当然，用户也可以提供自己的概念本体。

然后，通过使用该综合知识图，CoPilot会执行混合检索，即：结合传统的矢量搜索和图形遍历，来收集更多的相关信息和更为丰富的上下文，以回答用户的各类问题。

通过将数据组织为知识图，聊天机器人可以快速且高效地访问到准确的、基于事实的信息，从而减少了对于需要根据培训过程的学习模式，来生成响应的依赖。毕竟，这样的模式有时可能并不正确、甚至已经过时。

可靠且负责任的AI

如前文所述，TigerGraph CoPilot通过允许LLM管理查询，来访问图形数据库，以缓解幻觉。同时，它能够通过采取相同的、基于角色的访问控制和安全措施(已经成为了TigerGraph数据库的一部分)，来确保实现负责任的AI。此外，TigerGraph CoPilot还通过开放其主要组件，并允许用户选择其LLM服务，来保持开放性和透明性。

高性能与扩展性

通过利用TigerGraph数据库，TigerGraph CoPilot为图形分析提供了较高的性能。而作为一个基于图形的RAG解决方案，它也为知识图驱动的问答提供了大规模的可扩展的知识库。

TigerGraph CoPilot关键用例

• 从自然语言到数据见解
• 内容丰富的问答

从自然语言到数据见解

无论您是业务分析师、数据专家、还是调查人员，TigerGraph CoPilot都能够让您快速地从数据中获取信息和见解。例如，CoPilot可以通过回答“请给我展示最近误报的欺诈案件列表”等问题，为欺诈调查人员生成相关报告。同时，CoPilot也可以促进更准确的调查，例如：“谁在过去一个月里，与123账户进行了金额超过1000美元的交易?”

TigerGraph CoPilot甚至可以通过沿着依赖关系去遍历图形，以回答诸如“如果……会怎么样”等问题。例如，您可以从供应链图中，轻松找到“哪些供应商可以弥补部件123的短缺?”或从数字基础设施图中，找到“哪些服务会受到服务器321升级的影响?”

内容丰富的问答

TigerGraph CoPilot在为用户的数据和文档构建问答聊天机器人时，能够基于知识图的RAG方法，实现上下文信息的准确检索，以便给出更好的答案和更明智的决策。可以说，由CoPilot给出的、内容丰富的问答，直接提高了典型问答应用(如：呼叫中心、客户服务、以及知识搜索等场景)的生产力，并且降低了构建成本。

此外，通过将文档知识图和现有的业务图(如：产品图)合并为一个智能图，TigerGraph CoPilot可以解决其他RAG方案所无法应对的问题。例如，通过将客户的购买历史与产品图表相结合，CoPilot可以在客户键入搜索查询、或要求推荐时，做出更加准确的个性化建议。其典型场景包括：通过将患者的病史与健康图表相结合，医生或健康专家便可以获得有关患者的更多实用信息，以提供更好的诊断或治疗。

小结

综上所述，相比其他商用LLM应用，TigerGraph CoPilot解决了复杂数据管理与相关分析的挑战。通过它在自然语言处理和高级算法方面的强大功能，组织可以在克服数据过载和应对数据访问欠佳方面，获取巨大的业务洞察。同时，通过利用基于图形的RAG，它也可以确保LLM输出的准确性和相关性。

鉴于CoPilot允许更广泛的用户有效地利用数据，做出明智的决策，并能优化组织间的资源分配。我们认为，这是在实现数据访问民主化，以及赋能组织充分利用其数据资产潜力方面的重大进步。

译者介绍

陈峻(Julian Chen)，51CTO社区编辑，具有十多年的IT项目实施经验，善于对内外部资源与风险实施管控，专注传播网络与信息安全知识与经验。

原文标题：How TigerGraph CoPilot enables graph-augmented AI，作者：Hamid Azzawe

链接：https://www.infoworld.com/article/3715344/how-tigergraph-copilot-enables-graph-augmented-ai.html。