| 0 |
|
Однією з найбільших слабкостей сучасних AI-агентів, які працюють із великими масивами корпоративних даних, є «галюцинації» - генерування правдоподібної, але фактично невірної інформації. Дослідники з Корейського передового інституту науки та технологій (KAIST) розробили технологію баз даних наступного покоління, яка здатна одночасно розуміти документи, структуровані дані та зв'язки між об'єктами. Нове рішення підвищує точність відповідей AI на 78% та прискорює обробку запитів у 20 разів, усуваючи головний бар'єр на шляху комерціалізації корпоративного штучного інтелекту.
Університет KAIST під керівництвом президента Кванг Хюнг Лі (Kwang Hyung Lee) оголосив, що дослідницька група професора Мін-Су Кіма (Min-Soo Kim) зі Школи комп'ютерних технологій у співпраці з університетським стартапом GraphAI створила AkasicDB - СУБД нового покоління. Вона об'єднує функції векторних, графових та реляційних баз даних в одному системному рушії. На базі цієї платформи вчені також реалізували новий метод генерації з розширеним пошуком (RAG), який назвали Omni RAG.
Зараз корпоративні AI-помічники активно розгортаються на базі технології RAG, яка шукає інформацію у внутрішніх документах компанії та передає її великій мовній моделі (LLM) для формування відповіді. Проте реальні дані компаній розкидані по різних форматах: це і текстові інструкції, і таблиці, і зв'язки між контрагентами.
Звичайний RAG перетворює тексти у цифрові вектори та шукає схожі за змістом документи. Цей підхід безсилий, коли AI стикається зі складними комплексними запитами.
Наприклад, на запит: «Знайди пункти, пов'язані з компанією А, у контрактах, підписаних минулого року, і поясни, як ці пункти пов'язані з проблемами постачання продукції», традиційній системі потрібно виконати три окремі операції: векторний пошук, щоб зрозуміти контекст документів; графовий пошук, щоб простежити зв'язки між юридичними особами та подіями; реляційний запит (табличний), щоб відфільтрувати контракти за датою та типом.
В наявних архітектурах розробникам доводилося будувати три різні бази даних окремо, а потім зшивати результати на рівні додатків, що призводило до заплутаного керування та величезних затримок.
AkasicDB повністю розв'язує цю проблему завдяки новій архітектурі, яка об'єднує вектори, графи та таблиці всередині єдиного обчислювального ядра.
Користувачі або AI-програми можуть надсилати складні запити, що поєднують векторний пошук, обхід графа та реляційну фільтрацію, за допомогою однієї уніфікованої мови SQL/GQL (комбінація традиційної мови таблиць SQL та мови графових зв'язків GQL). Система оптимізує цей запит і виконує його як один цілісний план.
Розроблений на цій основі метод Omni RAG одночасно аналізує семантику документів, інформацію зі знаннєвих графів та структурні умови з таблиць. Завдяки цьому AI знаходить максимально точні підтверджені факти, що радикально знижує рівень галюцинацій.
Завдяки інтегрованій архітектурі AkasicDB усуває непотрібне проміжне копіювання даних. Це не лише прискорює систему, а й суттєво зменшує кількість токенів, які передаються в LLM (що знижує витрати на використання нейромереж).
Комплексні пошукові запити, які в наявних роздільних системах займали до 21,3 секунди, AkasicDB обробляє менш ніж за одну секунду.
Omni RAG продемонстрував покращення точності відповідей на 78% порівняно зі стандартними методами RAG.
«Для того, щоб AI-агенти могли безпомилково розуміти та використовувати гігантські обсяги корпоративних даних, необхідна інфраструктура, здатна обробляти векторні, графові та реляційні дані в межах єдиної системи, - зазначив професор Мін-Су Кім. - AkasicDB - це технологія баз даних для епохи AI-агентів. Ми очікуємо, що вона стане ключовою інфраструктурою у сферах із високими вимогами до надійності: в обороні, виробництві, фінансах, юриспруденції та науці».
Першим автором цього дослідження виступив аспірант Школи комп'ютерних технологій KAIST Геонхо Лі (Geonho Lee). Результати наукової роботи були представлені у форматі демодоповіді на ACM SIGMOD 2026 - одній із міжнародних конференцій у галузі баз даних, де розробка викликала високий інтерес з боку світових технологічних гігантів та інженерної спільноти.
Стратегія охолодження ЦОД для епохи AI
| 0 |
|
