Construisez un meilleur RAG en permettant à une équipe d'agents d'extraire et de connecter vos matériaux de référence dans un graphe de connaissances. Notre nouveau cours court, "Construction de Graphe de Connaissances Agentique", enseigné par @Neo4j Innovation Lead @akollegger, vous montre comment. Les graphes de connaissances sont un moyen important de stocker des informations avec précision, mais ils demandent beaucoup de travail pour être construits manuellement. Dans ce cours, vous apprendrez à constituer une équipe d'agents qui transforment les données – dans ce cas, les avis sur les produits et les factures des fournisseurs – en graphes structurés d'entités et de relations pour le RAG. Découvrez comment les agents peuvent gérer automatiquement le travail chronophage de construction de graphes — en extrayant des entités et des relations (par exemple, Produit "contient" Assemblage, Pièce "fournie_par" Fournisseur, Avis client "mentionne" Produit), en les dédupliquant, en les vérifiant et en les engageant dans une base de données de graphes — afin que votre système de récupération puisse trouver les bonnes informations pour générer des résultats précis. Par exemple, vous pouvez utiliser des agents pour aider à tracer les plaintes des clients directement vers des fournisseurs spécifiques, des processus de fabrication et des hiérarchies de produits, transformant ainsi des informations fragmentées en intelligence d'affaires interrogeable. Compétences que vous acquerrez : - Construire, stocker et accéder à des graphes de connaissances en utilisant la base de données de graphes Neo4j - Construire des systèmes multi-agents en utilisant le Kit de Développement d'Agents (ADK) de Google - Mettre en place une boucle de flux de travail agentique pour proposer et affiner un schéma de graphe par la vérification des faits - Connecter des graphes générés par des agents de données non structurées et structurées en un graphe de connaissances unifié Ce cours aborde le pratico-pratique de pourquoi les graphes de connaissances offrent une récupération d'informations plus précise que la recherche vectorielle seule, surtout pour des applications critiques où la précision compte plus que la correspondance de similarité floue. Inscrivez-vous ici :