圖數據庫從邊緣走向企業AI系統的知識層核心

隨着生成式AI從早期實驗階段走向成熟，企業正在圍繞一種共享架構達成共識：將大語言模型（LLM）錨定在可信數據上的企業知識層。Neo4j首席技術官Philip Rathle在Neo4j GraphTalk活動上接受theCUBE採訪時表示，ChatGPT發佈四年後，大多數組織已經過了隨意實驗的階段，形成了生產級AI系統的共同詞彙和架構模式。這一轉變將企業知識層——組織的本體、數據和智能體記憶駐留於模型之外的基座——置於企業AI對話的中心。

“企業知識層是重大話題，”Rathle説，“GraphRAC描述了這樣一種模式：讓LLM調用知識圖譜，從而將外部知識置於上下文中。知識不活在模型裏，而活在知識系統中。這帶來了更好的準確性、可解釋性和治理能力。”

獨立研究為企業知識層提供了有力支撐。英國國家創新數據中心最近比較了兩種提升智能體可靠性的領先技術，發現GraphRAG顯著優於純向量檢索：基於圖的智能體在回答問題時“更誠實”達80%，回答的問題數量是後者的兩倍以上，同時token使用更高效。

“我們從客户那裏獲得了大量證據表明GraphRAG提高了準確性、提供了治理和可解釋性，”Rathle説，“但能有世界一流的第三方學術機構進行研究總是非常好的，因為這樣就能理解背後的原因。”

一旦系統進入生產階段，準確性直接轉化為經濟效益。Rathle指出，知識圖譜往往是概念驗證停滯與系統交付可衡量價值之間的分水嶺。最近與一家國家税務機構的合作生動展示了這一點：一旦數據被建模為圖而不是扁平化表格，價值迅速顯現。

“從概念驗證開始48小時內，他們就識別出超過1億美元的税務欺詐，”Rathle説，“概括地説，如果你一直戴着盲人眼鏡看二維數據，一旦將數據帶入圖視圖，所有這些事情突然變得一目瞭然，而之前你根本無法看到。”

Neo4j的圖智能平台正日益被定位為AI智能體和決策智能的連接組織。該公司依靠外部驗證來佐證其主張。Rathle與theCUBE的John Furrier在Neo4j GraphTalk活動上進行了深入交流，討論了GraphRAG的演進、基於圖檢索的獨立研究以及企業知識層的架構。

（*披露：theCUBE是Neo4j GraphTalk活動的付費媒體合作伙伴。Neo4j及其他贊助商對theCUBE或SiliconANGLE的內容沒有編輯控制權。）

圖文：SiliconANGLE