Il framework SCAIR migliora KG-RAG per i grafi di conoscenza aziendali
Un team di ricercatori ha presentato un nuovo framework chiamato SCAIR, acronimo di Schema-Conditioned Agentic Iterative Reasoning. Questo approccio innovativo non richiede addestramento ed è progettato per il Retrieval-Augmented Generation basato su grafi di conoscenza, o KG-RAG. L'obiettivo è affrontare i limiti delle attuali tecniche agentiche quando applicate a grafi di conoscenza aziendali reali. Questi KG aziendali spesso incontrano difficoltà a causa delle loro strutture complesse e guidate da schemi. SCAIR migliora il ragionamento combinando pianificazione strutturata e ragionamento iterativo, utilizzando indizi strutturali condizionati dallo schema e navigazione consapevole dello schema. Test su un benchmark proveniente da un database di gestione della configurazione reale hanno mostrato che SCAIR supera i metodi KG-RAG esistenti, evidenziando la necessità del condizionamento dello schema nel ragionamento sui grafi aziendali.
Fatti principali
- SCAIR sta per Schema-Conditioned Agentic Iterative Reasoning.
- È un framework senza addestramento per KG-RAG.
- I KG aziendali sono densi, guidati da schemi e vincolati operativamente.
- Gli approcci agentici esistenti falliscono sui KG aziendali reali.
- SCAIR inietta priori strutturali condizionati dallo schema.
- Impone una navigazione consapevole dello schema durante il ragionamento multi-hop.
- Gli esperimenti hanno utilizzato un benchmark da un CMDB reale.
- SCAIR migliora sostanzialmente le prestazioni rispetto ai metodi KG-RAG esistenti.
Entità
—