← Каталог

· AI Engineer Summit 2025

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 графов
  • Когда 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 ценность
  • Как 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 завершение
  • Как 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 →

Похожие доклады