Введение
ChatGPT, несомненно, изменил определение взаимодействия человека и ИИ, генерируя последовательный и контекстуально релевантный текст. Однако за его впечатляющими способностями скрываются определенные ограничения, в первую очередь его склонность предоставлять неточную или устаревшую информацию, часто называемую «галлюцинациями».
Эти ограничения стали предметом пристального внимания в статье New York Times под названием «Вот что происходит, когда ваш юрист использует ChatGPT». В статье был продемонстрирован судебный случай, когда адвокат в значительной степени полагался на ChatGPT при составлении судебного иска. Неожиданно эта модель породила фиктивные юридические прецеденты, вызвав обеспокоенность по поводу точности и надежности контента, создаваемого ИИ. Этот инцидент подчеркивает острую необходимость привязать модели искусственного интеллекта, такие как ChatGPT, к надежным источникам информации и повысить их общую производительность.
В этой статье представлено надежное решение этих проблем за счет использования возможностей графов знаний. Дополняя ChatGPT структурированными и постоянно обновляемыми графами знаний, мы стремимся предоставить моделям ИИ контекстуальную основу, гарантируя, что их ответы будут не только точными, но также актуальными и актуальными. Эта интеграция устраняет разрыв между генерацией текста в свободной форме ChatGPT и структурированным, контекстно-богатым миром графов знаний, тем самым повышая эффективность и надежность языковых моделей искусственного интеллекта.
Понимание графов знаний
В основе нашего решения лежит концепция графа знаний. Граф знаний — это структурированное представление информации, состоящее из сущностей (узлов) и их связей (ребер). Этот формат позволяет моделировать сложные отношения и концепции таким образом, чтобы они максимально соответствовали человеческому пониманию. Например, рассмотрим простой график знаний, иллюстрирующий отношения между людьми и их родными городами.
Графики знаний используются такими гигантами отрасли, как Google, с 2012 года для предоставления дополнительного контекста и проверенных источников информации. Структурированная природа графов знаний наполняет модели ИИ всеобъемлющими и надежными знаниями.
Повышение уровня ChatGPT с помощью графиков знаний
Основным ограничением ChatGPT является его неспособность получить доступ к информации в реальном времени после последнего обновления данных обучения. Следовательно, при запросе о недавних событиях или разработках модель может давать устаревшие или неполные ответы. Например, если мы спросим ChatGPT о дате анонса Vision Pro от Apple в 2023 году, он не будет знать об этом событии из-за прекращения знаний в 2021 году.
# Code snippet for querying ChatGPT
# (Replace "your-OpenAI-API-key" with your actual API key)
!pip install -q openai langchain
import os
import openai
os.environ['OPENAI_API_KEY'] = "your-OpenAI-API-key"
openai.api_key = os.environ['OPENAI_API_KEY']
question = "When did Apple announce the Vision Pro?"
completion = openai.ChatCompletion.create(model="gpt-3.5-turbo",
temperature=0,
messages=[{"role": "user",
"content": question}])
print(completion["choices"][0]["message"]["content"])
Как и ожидалось, ответ ChatGPT будет указывать на отсутствие доступа к событиям в реальном времени или после 2021 года. Это подчеркивает необходимость дополнения ChatGPT постоянно обновляемым источником знаний, и именно здесь в игру вступают графики знаний.
Использование графиков знаний для улучшения ChatGPT
Чтобы устранить эти ограничения, мы предлагаем улучшить ChatGPT, интегрировав его с графами знаний. Графики знаний обеспечивают структурированный и динамический контекст, который предоставляет моделям ИИ точную и актуальную информацию. Используя эти графики, мы можем смягчить проблемы «галлюцинаций» и расширить знания модели за пределы ее обучающего ограничения.
Эксперимент 1: Графы знаний на уровне предложений
Мы можем начать с использования таких инструментов, как библиотека LangChain, в частности ее компонент GraphIndexCreator, для построения графов знаний из отдельных предложений. GraphIndexCreator анализирует предложения, идентифицирует сущности и их отношения и генерирует тройки информации.
# Code snippet demonstrating creation of sentence-level knowledge graph from langchain.llms import OpenAI from langchain.indexes import GraphIndexCreator from langchain.chains import GraphQAChain from langchain.prompts import PromptTemplate text = "Apple announced the Vision Pro in 2023." index_creator = GraphIndexCreator(llm=OpenAI(temperature=0)) graph = index_creator.from_text(text) graph.get_triples()
Результатом является граф знаний, состоящий из троек, представляющих информацию, извлеченную из предложения.
Эксперимент 2. Построение комплексных графиков знаний
В более обширном эксперименте мы можем вручную построить более сложный граф знаний, создав список троек. Каждый триплет отражает отдельную часть знаний, связанных с Apple, включая продукты, местоположения и ключевые цифры, связанные с компанией.
# Code snippet demonstrating creation of a comprehensive knowledge graph
from langchain.graphs.networkx_graph import KnowledgeTriple
kg = [
('Apple', 'is', 'Company'),
('Apple', 'created', 'iMac'),
('Apple', 'created', 'iPhone'),
# ... (additional triplets)
('iPhone', 'announced in', '2007'),
('iMac', 'announced in', '1998'),
('Vision Pro', 'announced in', '2023'),
]
graph = index_creator.from_text('')
for (node1, relation, node2) in kg:
graph.add_triple(KnowledgeTriple(node1, relation, node2))
Этот график знаний представляет различные аспекты Apple, ее продуктов, ее истории и ее связей.
Путь вперед
Интеграция графов знаний с ChatGPT имеет огромный потенциал для поднятия языковых моделей искусственного интеллекта на новую высоту точности и актуальности. Предоставляя структурированный контекст и обновления информации в режиме реального времени, мы можем смягчить такие ограничения, как «галлюцинации» и нехватка знаний. Эта синергия между ChatGPT и графами знаний не только расширяет возможности модели, но и меняет ландшафт генерации текста на основе искусственного интеллекта. По мере того, как этот подход набирает обороты, модели искусственного интеллекта, вооруженные графами знаний, готовы формировать будущее обмена информацией, коммуникации и принятия решений в разных отраслях.
Варианты использования и примеры
Объединение ChatGPT с графами знаний открывает множество вариантов использования в различных областях. Давайте углубимся в некоторые практические сценарии, чтобы проиллюстрировать потенциал этой мощной комбинации.
Вариант использования 1: Чат-боты службы поддержки клиентов
Чат-боты службы поддержки клиентов часто сталкиваются с вопросами о последних функциях продукта, обновлениях или ценах. Благодаря интеграции графика знаний чат-бот может предоставлять точную информацию в режиме реального времени. Например, пользователь спрашивает: «Какие новые функции есть в последней версии iPhone?» могут получать актуальную информацию из графа знаний, гарантируя, что клиенты получат точные и своевременные ответы.
Вариант использования 2: обобщение новостей
Новостные статьи часто ссылаются на прошлые события или отдельных лиц. Дополняя ChatGPT комплексным графиком знаний, связанным с новостями, модель может лучше контекстуализировать новостные статьи и генерировать краткие и точные сводки. Например, при подведении итогов статьи о недавних политических событиях модель может ссылаться на исторический контекст из графа знаний.
Вариант использования 3: Помощь в юридических исследованиях
В правовом поле важна точная и актуальная информация. Благодаря интеграции графа юридических знаний ChatGPT может помочь юристам найти недавние юридические прецеденты, результаты дел и соответствующие законы. Это гарантирует, что ответы модели не только юридически точны, но и соответствуют последним изменениям в законодательстве.
Вариант использования 4: поиск медицинской информации
Медицинским работникам часто требуются новейшие исследования и клинические рекомендации. Благодаря графику медицинских знаний ChatGPT может отвечать на вопросы о недавних медицинских открытиях, взаимодействии лекарств и протоколах лечения. Это дает поставщикам медицинских услуг надежную и обновленную информацию для более эффективного принятия решений.
Заключение
Объединение ChatGPT и графов знаний знаменует собой значительный шаг вперед в совершенствовании языковых моделей искусственного интеллекта. Предоставляя структурированный контекст, обновления в реальном времени и точную информацию, графы знаний устраняют ограничения, которые ранее препятствовали точности и надежности ИИ. Как показали практические примеры использования, эта интеграция имеет далеко идущие последствия для разных отраслей.
По мере того, как мы продолжаем совершенствовать этот подход, взаимодействия, основанные на искусственном интеллекте, станут более точными, актуальными и ценными. Синергия между генерацией неструктурированного языка и структурированным представлением знаний может произвести революцию в обмене информацией, принятии решений и общении в мире, в котором все больше внимания уделяется искусственному интеллекту. Развитие ChatGPT, поддерживаемое прочной основой графов знаний, обещает будущее, в котором потенциал искусственного интеллекта будет полностью реализован, обогащая человеческий опыт в цифровой среде.
