Agentic GraphRAG: Navigating Unstructured Financial Data with Collaborative AI
यह शोध पत्र एजेंटिक ग्राफ़आरएजी (Agentic GraphRAG) प्रस्तुत करता है, जो एक सहयोगात्मक एआई ढांचा है जो जटिल, असंरचित वाणिज्यिक रजिस्ट्री डेटा का प्रभावी ढंग से विश्लेषण करने के लिए नियो4जेड (Neo4j) नॉलेज ग्राफ को मॉड्यूलर एजेंटों के साथ एकीकृत करता है, जो एक बड़े पैमाने के स्विस डेटासेट पर सटीकता, प्रासंगिकता और मल्टी-टर्न रीजनिंग में मानक वेक्टर-आधारित आरएजी (RAG) सिस्टम की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप हजारों कंपनियों से जुड़े एक विशाल रहस्य को सुलझाने की कोशिश कर रहे हैं, लेकिन सभी सुराग सात मिलियन धूल भरी, भ्रमित करने वाली किताबों के पुस्तकालय में बिखरे हुए हैं। कुछ सुराग एक बहीखाते (स्ट्रक्चर्ड डेटा) में करीने से लिखे गए हैं, जबकि अन्य तीन अलग-अलग भाषाओं में लिखे गए लंबे, अव्यवस्थित कानूनी पैराग्राफों के भीतर छिपे हुए हैं (अनस्ट्रक्चर्ड टेक्स्ट)।
यह वही समस्या है जिसे लेखक, आर्थर कैपोज़ी और डर्क हेल्बिंग, अपने नए सिस्टम, एजेंटिक ग्राफआरएजी (Agentic GraphRAG) के साथ हल करने की कोशिश कर रहे हैं।
यहाँ इसका एक सरल विवरण दिया गया है, जिसमें रोजमर्रा के उपमाओं (analogies) का उपयोग किया गया है:
1. समस्या: "घास के ढेर में सुई" जैसा पुस्तकालय
सार्वजनिक रिकॉर्ड (जैसे स्विस ऑफिशियल गजट ऑफ कॉमर्स) पढ़ना मुफ्त है, लेकिन इनका उपयोग करना एक दुःस्वप्न है।
- पुराना तरीका (वेक्टर आरएजी - Vector RAG): कल्पना कीजिए कि आप केवल कीवर्ड्स चिल्लाकर उस पुस्तकालय में किसी विशिष्ट व्यक्ति को खोजने की कोशिश कर रहे हैं। यदि आप पूछते हैं, "उस कंपनी का मालिक कौन है जो 2020 में दिवालिया हो गई थी?", तो एक मानक कंप्यूटर खोज केवल "bankrupt" और "2020" वाले दस्तावेज़ ढूंढ सकता है, लेकिन यह मालिक और उस घटना के बीच के संबंध को खोजने में विफल हो सकता है क्योंकि जानकारी अलग-अलग वाक्यों में दबी हुई है। यह ऊन के एक उलझे हुए गोले में से एक विशिष्ट धागे को केवल बाहर से खींचकर खोजने जैसा है।
- वास्तविकता: महत्वपूर्ण तथ्य अक्सर बिखरे हुए होते हैं। एक दस्तावेज़ कहता है कि एक कंपनी ने अपना नाम बदल लिया; दूसरा कहता है कि उसने एक नया मैनेजर नियुक्त किया; तीसरा कहता है कि वह दिवालिया हो गई। एक मानक सर्च इंजन इन कड़ियों को जोड़ने में संघर्ष करता है।
2. समाधान: एक "सुपर-मैप" बनाना (नॉलेज ग्राफ)
केवल टेक्स्ट खोजने के बजाय, लेखकों ने एक विशाल, इंटरैक्टिव मैप बनाया जिसे नॉलेज ग्राफ (Knowledge Graph) कहा जाता है।
- चरण 1: मजबूत नोड्स (आधिकारिक बहीखाता): सबसे पहले, उन्होंने साफ, आधिकारिक डेटा (जैसे कंपनी के नाम और आईडी) को लिया और उन्हें मैप पर ठोस, अडिग बिंदुओं में बदल दिया। इन्हें "एंकर" (anchors) के रूप में सोचें।
- चरण 2: कमजोर नोड्स (जासूसी कार्य): फिर, उन्होंने एक AI "डिटेक्टिव" (एक लार्ज लैंग्वेज मॉडल) का उपयोग किया ताकि वह अव्यवस्थित, अनस्ट्रक्चर्ड कानूनी टेक्स्ट को पढ़ सके। डिटेक्टिव ने छिपे हुए सुराग खोजे—जैसे कि लिक्विडेटर्स, लेनदार या अस्थायी निदेशकों के नाम—जो आधिकारिक सूचियों में नहीं थे। इन्हें मैप में "कमजोर नोड्स" के रूप में जोड़ा गया।
- चरण 3: पहचान समाधान (नाम टैग मर्जर): यह सबसे पेचीदा हिस्सा है। वास्तविक दुनिया में, "John Doe," "J. Doe," और "Doe, John" एक ही व्यक्ति हैं, लेकिन कंप्यूटर उन्हें तीन अलग-अलग लोग मानता है। सिस्टम एक चतुर ट्रिक (अल्फाबेटिकल टोकनाइजेशन) का उपयोग करता है ताकि यह महसूस किया जा सके कि ये सभी एक ही व्यक्ति हैं और उन्हें मैप पर एक एकल "NameHub" में मिला दिया जाए। यह सुनिश्चित करता है कि मैप डुप्लिकेट्स से भरा न हो जाए।
3. एजेंट: चेकलिस्ट के साथ एक "स्मार्ट लाइब्रेरियन"
एक बार मैप बन जाने के बाद, उन्होंने उससे बात करने के लिए एक एनालिटिकल एजेंट (Analytical Agent) बनाया। यह केवल एक चैटबॉट नहीं है; यह नियमों के एक सख्त सेट वाला एक स्मार्ट लाइब्रेरियन है।
- इंटेंट राउटर (रिसेप्शनिस्ट): जब आप कोई प्रश्न पूछते हैं, तो एक "रिसेप्शनिस्ट" AI पहले यह पता लगाता है कि आप वास्तव में क्या चाहते हैं। क्या आप एक कंपनी खोजना चाहते हैं, एक नेटवर्क को ट्रैक करना चाहते हैं, या इतिहास देखना चाहते हैं? इसके बाद यह लाइब्रेरियन को विशिष्ट उपकरणों (tools) के एक सेट में लॉक कर देता है ताकि वे भ्रमित न हों या एक साथ बहुत अधिक करने की कोशिश न करें।
- रिफ्लेक्शन लूप (स्व-सुधार): यदि लाइब्रेरियन किसी कंपनी को खोजने की कोशिश करता है और विफल हो जाता है (शायद नाम गलत लिखा गया था), तो वे हार नहीं मानते। उनके पास एक "रिफ्लेक्शन लूप" होता है जहाँ वे रुकते हैं, सोचते हैं, कहते हैं, "ओह, मैंने गलत टूल का उपयोग किया," और एक अलग दृष्टिकोण आज़माते हैं। वे सही उत्तर प्राप्त करने के लिए इसे चार बार तक कर सकते हैं।
- स्टेट मशीन (ट्रैफिक पुलिस): सिस्टम बातचीत में अपनी स्थिति को ट्रैक रखता है। यदि आप एक कंपनी के बारे में पूछते हैं, और फिर पूछते हैं "उनके पार्टनर कौन हैं?", तो सिस्टम याद रखता है कि आप अभी भी उसी विशिष्ट कंपनी के बारे में बात कर रहे हैं। यह AI को खो जाने या खुद को दोहराने से रोकता है।
4. डैशबोर्ड: "कंट्रोल रूम"
सिस्टम में एक विजुअल डैशबोर्ड शामिल है जहाँ इंसान देख सकते हैं कि क्या हो रहा है।
- आप कनेक्शनों का मैप देख सकते हैं (कौन किसे जानता है)।
- आप "एग्जीक्यूशन ट्रेसेस" (execution traces) देख सकते हैं, जो AI की विचार प्रक्रिया की एक वीडियो रिकॉर्डिंग की तरह हैं। आप देख सकते हैं कि उसने वास्तव में कौन से टूल्स का उपयोग किया और उसे क्या डेटा मिला। यह सिस्टम को पारदर्शी (transparent) बनाता है—आप जानते हैं कि उसने आपको उत्तर क्यों दिया, न कि केवल यह कि उत्तर क्या है।
5. परिणाम: यह बेहतर क्यों है
लेखकों ने इस सिस्टम का परीक्षण एक मानक "सर्च इंजन" शैली वाले AI (वेक्टर आरएजी) के मुकाबले किया।
- सटीकता (Accuracy): ग्राफआरएजी (GraphRAG) सिस्टम सही उत्तर खोजने में बहुत बेहतर था, विशेष रूप से उन जटिल प्रश्नों के लिए जिनमें कई कड़ियों को जोड़ने की आवश्यकता होती है (मल्टी-हॉप रीजनिंग)।
- पूर्णता (Completeness): इसने केवल आंशिक उत्तर नहीं दिया; इसने सभी प्रासंगिक विवरण खोज निकाले।
- बातचीत (Conversation): बातचीत के दौरान, ग्राफआरएजी सिस्टम संदर्भ (context) को बहुत बेहतर तरीके से याद रखता है। यदि आपने एक कंपनी के बारे में पूछा और फिर पूछा "आगे क्या हुआ?", तो वह जानता था कि आप अभी भी उसी कंपनी के बारे में बात कर रहे हैं। मानक सिस्टम अक्सर संदर्भ भूल जाता है।
निचोड़
यह पेपर एक ऐसे सिस्टम को प्रस्तुत करता है जो कानूनी दस्तावेजों के एक अराजक ढेर को एक साफ, जुड़े हुए मैप में बदल देता है, और फिर आपको उस मैप को एक्सप्लोर करने के लिए एक स्मार्ट, स्व-सुधार करने वाला एजेंट देता है। इसे पारदर्शी और ऑडिट योग्य बनाने के लिए डिज़ाइन किया गया है, ताकि विशेषज्ञ परिणामों पर भरोसा कर सकें।
महत्वपूर्ण नोट: इस पेपर ने विशेष रूप से स्विस कमर्शियल रजिस्ट्री डेटा (बिजनेस रिकॉर्ड, दिवालियापन, कंपनी गठन) पर इस सिस्टम का परीक्षण किया है। लेखक दावा करते हैं कि इस आर्किटेक्चर को अन्य समान सार्वजनिक रिकॉर्डों पर लागू किया जा सकता है, लेकिन वे यह दावा नहीं करते कि यह इस विशिष्ट अध्ययन में मेडिकल डेटा, क्लिनिकल ट्रायल या अन्य असंबंधित क्षेत्रों में काम करता है। वे इस बात पर भी जोर देते हैं कि हालांकि यह सिस्टम शक्तिशाली है, फिर भी इसे मानवीय निरीक्षण (एक "ह्यूमन-इन-द-लूप") की आवश्यकता होती है ताकि साक्ष्यों को सत्यापित किया जा सके, खासकर इसलिए क्योंकि AI कभी-कभी बहुत सख्त हो सकता है या छोटी फॉर्मेटिंग विवरणों को मिस कर सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।