Створюйте кращий RAG, дозволяючи команді агентів витягувати та об'єднувати ваші довідкові матеріали в граф знань. Наш новий короткий курс "Agentic Knowledge Graph Construction", який викладає @Neo4j Innovation Lead @akollegger, показує, як це зробити. Графіки знань є важливим способом точного зберігання інформації, але для ручної побудови їх потрібно багато працювати. У цьому курсі ви дізнаєтеся, як створити команду агентів, які перетворюють дані – в даному випадку відгуки про товари та рахунки-фактури від постачальників – на структуровані графіки сутностей і відносин для RAG. Дізнайтеся, як агенти можуть автоматично виконувати трудомістку роботу з побудови графіків — витягування сутностей і зв'язків (наприклад, продукт «містить» збірку, частина «supplied_by» постачальника, відгук клієнта «згадує» продукт), їх дублювання, перевірку фактів і збереження їх у базі даних графів — щоб ваша система пошуку могла знайти потрібну інформацію для отримання точних результатів. Наприклад, ви можете використовувати агентів, щоб допомогти відстежувати скарги клієнтів безпосередньо до конкретних постачальників, виробничих процесів та ієрархії продуктів, таким чином перетворюючи фрагментовану інформацію на бізнес-аналітику, яку можна запитувати. Навички, які ви отримаєте: - Створюйте, зберігайте та отримуйте доступ до графів за допомогою бази даних Neo4j graph - Створюйте мультиагентні системи за допомогою Agent Development Kit (ADK) від Google. - Налаштуйте цикл агентних робочих процесів, щоб запропонувати та вдосконалити схему графіка за допомогою перевірки фактів. - Об'єднувати згенеровані агентами графіки неструктурованих і структурованих даних в єдиний граф знань Цей курс розглядає практику того, чому графи знань дають більш точний пошук інформації, ніж лише векторний пошук, особливо для додатків з високими ставками, де точність має більше значення, ніж нечітке зіставлення подібності. Зареєструватися можна тут: