Agentic GraphRAG: Navigating Unstructured Financial Data with Collaborative AI
Dieser Beitrag stellt Agentic GraphRAG vor, ein kollaboratives KI-Framework, das einen Neo4j-Wissensgraphen mit modularen Agenten integriert, um komplexe, unstrukturierte Daten aus Handelsregistern effektiv zu analysieren, und demonstriert auf einem groß angelegten Schweizer Datensatz eine überlegene Leistung gegenüber herkömmlichen vektorbasierten RAG-Systemen hinsichtlich Genauigkeit, Relevanz und mehrstufiger Schlussfolgerung.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, ein massives Rätsel zu lösen, das Tausende von Unternehmen betrifft, doch alle Hinweise sind über eine Bibliothek von sieben Millionen staubigen, verwirrenden Büchern verstreut. Manche Hinweise sind sauber in einem Hauptbuch notiert (strukturierte Daten), während andere in langen, chaotischen juristischen Absätzen versteckt sind, die in drei verschiedenen Sprachen verfasst wurden (unstrukturierter Text).
Dies ist das Problem, das die Autoren, Arthur Capozzi und Dirk Helbing, mit ihrem neuen System Agentic GraphRAG zu lösen versuchen.
Hier ist eine einfache Aufschlüsselung der Funktionsweise, unter Verwendung alltäglicher Analogien:
1. Das Problem: Die „Nadel im Heuhaufen"-Bibliothek
Öffentliche Register (wie das Schweizerische Handelsamtsblatt) sind kostenlos einsehbar, aber ein Albtraum in der Handhabung.
- Der alte Weg (Vector RAG): Stellen Sie sich vor, Sie versuchen, eine bestimmte Person in dieser Bibliothek zu finden, indem Sie einfach Schlüsselworte rufen. Wenn Sie fragen: „Wer besitzt das Unternehmen, das 2020 insolvent wurde?", könnte eine Standard-Suchmaschine lediglich Dokumente finden, die die Wörter „insolvent" und „2020" enthalten, aber sie könnte den Zusammenhang zwischen dem Eigentümer und dem Ereignis übersehen, da die Information in verschiedenen Sätzen vergraben ist. Es ist, als würde man versuchen, einen bestimmten Faden in einem verwickelten Wollknäuel zu finden, indem man einfach am Äußeren zieht.
- Die Realität: Wichtige Fakten sind oft aufgeteilt. Ein Dokument besagt, dass ein Unternehmen seinen Namen geändert hat; ein anderes, dass es einen neuen Geschäftsführer eingestellt hat; ein drittes, dass es insolvent ging. Eine Standard-Suchmaschine hat Schwierigkeiten, diese Punkte zu verbinden.
2. Die Lösung: Aufbau einer „Super-Karte" (Der Wissensgraph)
Anstatt nur Text zu durchsuchen, erstellten die Autoren eine riesige, interaktive Karte, einen Wissensgraphen.
- Phase 1: Die starken Knoten (Das offizielle Hauptbuch): Zuerst nahmen sie die sauberen, offiziellen Daten (wie Firmennamen und IDs) und verwandelten sie in feste, unerschütterliche Punkte auf der Karte. Betrachten Sie diese als „Anker".
- Phase 2: Die schwachen Knoten (Die Detektivarbeit): Dann nutzten sie einen KI-„Detektiv" (ein Large Language Model), um den chaotischen, unstrukturierten juristischen Text zu lesen. Der Detektiv fand versteckte Hinweise – wie die Namen von Liquidatoren, Gläubigern oder vorläufigen Direktoren –, die nicht in den offiziellen Listen standen. Diese wurden als „schwache Knoten" auf die Karte hinzugefügt.
- Phase 3: Die Identitätsauflösung (Der Namenszusammenführer): Dies ist der knifflige Teil. In der realen Welt sind „John Doe", „J. Doe" und „Doe, John" dieselbe Person, aber Computer sehen sie als drei verschiedene Personen. Das System verwendet einen cleveren Trick (alphabetische Tokenisierung), um zu erkennen, dass es sich um dieselbe Person handelt, und führt sie zu einem einzigen „NameHub" auf der Karte zusammen. Dies stellt sicher, dass die Karte nicht mit Duplikaten überladen wird.
3. Der Agent: Der „intelligente Bibliothekar" mit einer Checkliste
Sobald die Karte erstellt ist, schufen sie einen Analytischen Agenten, der mit ihr interagiert. Dies ist nicht nur ein Chatbot; es ist ein intelligenter Bibliothekar mit einem strengen Regelwerk.
- Der Intent Router (Die Rezeptionistin): Wenn Sie eine Frage stellen, ermittelt eine „Rezeptionistin"-KI zunächst, was Sie wirklich wollen. Wollen Sie ein Unternehmen finden? Ein Netzwerk nachverfolgen? Oder die Geschichte betrachten? Dann sperrt sie den Bibliothekar auf einen bestimmten Satz von Werkzeugen fest, damit er nicht verwirrt wird oder versucht, zu viel auf einmal zu tun.
- Die Reflexionsschleife (Die Selbstkorrektur): Wenn der Bibliothekar versucht, ein Unternehmen zu finden und scheitert (vielleicht war der Name falsch geschrieben), gibt er nicht auf. Er verfügt über eine „Reflexionsschleife", in der er innehält, nachdenkt, sagt: „Oh, ich habe das falsche Werkzeug verwendet", und einen anderen Ansatz versucht. Er kann dies bis zu vier Mal tun, um sicherzustellen, dass er die richtige Antwort erhält.
- Der Zustandsautomat (Der Verkehrspolizist): Das System verfolgt, wo es sich im Gespräch befindet. Wenn Sie nach einem Unternehmen fragen und dann „Wer sind ihre Partner?" fragen, erinnert sich das System daran, dass Sie immer noch über dieses spezifische Unternehmen sprechen. Es verhindert, dass die KI den Faden verliert oder sich wiederholt.
4. Das Dashboard: Der „Kontrollraum"
Das System umfasst ein visuelles Dashboard, auf dem Menschen sehen können, was passiert.
- Sie können die Karte der Verbindungen sehen (wer wen kennt).
- Sie können die „Ausführungsspuren" sehen, die wie eine Videoaufnahme des Denkprozesses der KI sind. Sie können genau sehen, welche Werkzeuge es verwendet hat und welche Daten es gefunden hat. Dies macht das System transparent – Sie wissen warum es Ihnen eine Antwort gegeben hat, nicht nur was die Antwort ist.
5. Die Ergebnisse: Warum es besser ist
Die Autoren testeten dieses System gegen eine Standard-KI im Stil einer „Suchmaschine" (Vector RAG).
- Genauigkeit: Das GraphRAG-System war viel besser darin, die richtigen Antworten zu finden, insbesondere bei komplexen Fragen, die das Verbinden mehrerer Punkte erforderten (Multi-Hop-Reasoning).
- Vollständigkeit: Es gab nicht nur eine teilweise Antwort; es fand alle relevanten Details.
- Konversation: In einem Hin-und-Her-Gespräch erinnerte sich das GraphRAG-System viel besser an den Kontext. Wenn Sie nach einem Unternehmen fragten und dann „Was ist danach passiert?", wusste es, dass Sie immer noch über dieses Unternehmen sprachen. Das Standard-System vergaß den Kontext oft.
Das Fazit
Dieser Artikel stellt ein System vor, das einen chaotigen Haufen juristischer Dokumente in eine saubere, verbundene Karte verwandelt und Ihnen dann einen intelligenten, selbstkorrigierenden Agenten gibt, um diese Karte zu erkunden. Es ist darauf ausgelegt, transparent und überprüfbar zu sein, damit Experten den Ergebnissen vertrauen können.
Wichtiger Hinweis: Der Artikel testete dies spezifisch an Schweizer Handelsregisterdaten (Geschäftsunterlagen, Konkurse, Unternehmensgründungen). Die Autoren behaupten, dass diese Architektur auf andere ähnliche öffentliche Register angewendet werden kann, aber sie behaupten nicht, dass sie in dieser spezifischen Studie für medizinische Daten, klinische Studien oder andere nicht verwandte Bereiche funktioniert. Sie betonen auch, dass das System, obwohl es leistungsstark ist, immer noch menschliche Aufsicht („Human-in-the-Loop") benötigt, um die Beweise zu verifizieren, insbesondere weil die KI manchmal zu streng sein oder winzige Formatierungsdetails übersehen kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.