Как закрепить Enterprise GenAI с помощью графов знаний
Anchoring Enterprise GenAI with Knowledge Graphs
GraphRAG на графе знаний, по словам спикеров, даёт корпоративным GenAI-приложениям точные ответы и контроль доступа, но провалы чаще связаны с отсутствием бизнес-ценности.
- Иерархия чанков в графе — в Pfizer граф хранит уровни документ, блок, абзац, строка, поэтому видно, какие фрагменты поиск по схожести возвращает лучше, и со временем улучшается сама нарезка документов.
- Векторный поиск плюс граф — запрос идёт в векторный индекс, а соседние узлы графа передаются LLM как контекст; права доступа задаются свойствами узлов, а ответ можно разобрать по связям между сущностями.
- Скорость подключения данных — по словам спикера, консолидация и понимание данных для нового проекта заняли три недели или меньше вместо трёх месяцев.
- Язык руководителей — менеджерам второго и третьего уровня нужны экономия, избежание затрат, более раннее получение выручки и цифры со сроками, а не общие лозунги о будущем компании.
Кому полезно: тем, кто выводит GenAI-проект в крупной компании и должен согласовать его с руководством и смежными командами.
Статья по теме
На какие вопросы отвечает доклад
Как разбивать документы на фрагменты для RAG, если неясно, какие из них дают нужный ответ?
Хранить фрагменты в графе по уровням: документ, блок, абзац, строка, и смотреть, какие из них возвращает поиск по схожести. По результатам команда постепенно улучшала способ разбиения документов.
▶ 2:37Передача знаний в науках о жизни и поиск документов на основе графовКогда граф знаний стоит выбрать вместо реляционной базы для RAG-системы?
Когда связи между данными не заложены в таблицах через постоянные join, а нужны генеалогии, иерархии, временные ряды. По словам спикера, в Pfizer подготовка данных под новый проект сократилась с трёх месяцев до трёх недель.
▶ 7:47Поддержка руководства, организационная иерархия и измеримая ценностьКак совместить векторный поиск и граф знаний, чтобы RAG давал точные ответы и контроль доступа?
Векторный поиск находит стартовые узлы, а из графа берутся связанные по связям узлы и передаются LLM как контекст. Права доступа задаются свойствами узлов, а ответ можно проследить по узлам и рёбрам.
▶ 18:58Архитектура GraphRAG, контекстный retrieval, governance и завершениеКак донести ценность GenAI-проекта до руководства, если до CEO не добраться?
Говорить с руководителями второго и третьего уровня: на слайдах показывать числа и сроки по экономии, предотвращённым затратам, более раннему доходу и штату. Готовиться к конфликтам с client partner и вендорами.
▶ 7:47Поддержка руководства, организационная иерархия и измеримая ценность
Главы
Ещё доклады: Stephen Chin
Все 6 докладов →Ваш PR пишет, что тесты прошли. Докажите это
AI Engineer Code 2026
Практический GraphRAG: как сделать LLM умнее с помощью графов знаний
Stephen Chin, Jesús Barrasa, Michael Hunger
AI Engineer World's Fair 2025
Context engineering: связываем точки с помощью графов
AI Engineer Code 2025
Похожие доклады
Агентный GraphRAG: логическое преимущество ИИ
AI Engineer World's Fair 2025
Тот же спикер: Stephen Chin
Почему большинство корпоративных проектов с agentic AI обречены
Jack Wang, Jess Grogan-Avignon
AI Engineer Europe 2026
Близко по содержанию
RAG нужна карта: как GraphRAG извлекает связанный контекст
AI Engineer World's Fair 2026
Близко по содержанию


