ในการประชุม Inclusion Bund Conference ปี 2024 Ant Group ได้เปิดตัวกรอบงานบริการโมเดลขนาดใหญ่ที่เสริมความรู้อย่างยิ่งใหญ่ โดยถือเป็นความก้าวหน้าครั้งสำคัญในการสร้างตัวแทนมืออาชีพที่เสริมความรู้ บรรณาธิการของ Downcodes ได้เรียนรู้ว่ากรอบการทำงานนี้ริเริ่มโดย Liang Lei ผู้ดูแลกราฟความรู้ของ Ant Group โดยผสมผสานกราฟความรู้และแบบจำลองขนาดใหญ่เข้าด้วยกันอย่างชาญฉลาด โดยมีเป้าหมายเพื่อปรับปรุงความแม่นยำและความเข้มงวดเชิงตรรกะของการตัดสินใจในสาขาแนวตั้ง และ แก้ปัญหาเชิงปฏิบัติของแบบจำลองภาษาขนาดใหญ่ได้อย่างมีประสิทธิภาพ ความท้าทายที่ต้องเผชิญในการประยุกต์ใช้ เช่น การขาดความรู้ในขอบเขต การตัดสินใจที่ซับซ้อนที่ไม่น่าเชื่อถือ และข้อเท็จจริงที่ไม่เพียงพอ การเปิดตัวกรอบงาน KAG ได้เพิ่มพลังใหม่ให้กับการประยุกต์ใช้ปัญญาประดิษฐ์ในสาขาวิชาชีพอย่างไม่ต้องสงสัย
ที่การประชุม Inclusion Bund Conference ในปี 2024 Ant Group ได้แบ่งปันความคืบหน้าล่าสุดในการสร้างตัวแทนมืออาชีพที่เสริมความรู้ และเปิดตัวผลการวิจัยและพัฒนาของการผสานกราฟความรู้และแบบจำลองขนาดใหญ่ ซึ่งเป็นเฟรมเวิร์กบริการโมเดลขนาดใหญ่ที่เสริมความรู้ KAG
กรอบการทำงานดังกล่าวได้รับการแนะนำโดย Liang Lei หัวหน้ากราฟความรู้ของ Ant Group และมีเป้าหมายเพื่อเป็นแนวทางในการตัดสินใจและการดึงข้อมูลผ่านสัญลักษณ์เชิงตรรกะของกราฟ ซึ่งจะช่วยปรับปรุงความแม่นยำและความเข้มงวดเชิงตรรกะของการตัดสินใจในสาขาแนวตั้งได้อย่างมีนัยสำคัญ
เฟรมเวิร์ก KAG ผสมผสานความสามารถของฐานข้อมูลกราฟ TuGraph-DB ที่พัฒนาโดย Ant เอง เพื่อมอบความสามารถในการจัดเก็บและเรียกค้นความรู้ที่มีประสิทธิภาพ โดยได้ถูกนำมาใช้ในแอปเนทีฟ AI ล่าสุดของ Alipay อย่าง "Zhi Xiaobao" ซึ่งเพิ่มความแม่นยำของสถานการณ์คำถามและคำตอบของรัฐบาลเป็น 91% และความแม่นยำในการตีความตัวบ่งชี้แนวตั้งของคำถามและคำตอบทางการแพทย์เกิน 90%
Liang Lei เปิดเผยว่ากรอบงาน KAG จะถูกเปิดเพิ่มเติมให้กับชุมชน และให้การสนับสนุนดั้งเดิมในกรอบงานโอเพ่นซอร์ส OpenSPG เพื่อสนับสนุนให้ชุมชนมีส่วนร่วมในการสร้างร่วมกัน การเปิดตัวเฟรมเวิร์ก KAG ไม่เพียงแต่แสดงให้เห็นถึงความแข็งแกร่งทางเทคนิคของ Ant Group ในด้าน AI เท่านั้น แต่ยังมอบโซลูชันใหม่ให้กับอุตสาหกรรมในการจัดการกับความท้าทายที่โมเดลภาษาขนาดใหญ่ต้องเผชิญ เมื่อนำไปใช้ในสาขาแนวตั้ง เช่น การขาดความรู้ในขอบเขต และ ความซับซ้อน ปัญหาต่างๆ เช่น ความไม่น่าเชื่อถือและการขาดข้อเท็จจริงในการตัดสินใจ
กรอบงาน KAG ปรับปรุงผลการทำงานร่วมกันของแบบจำลองภาษาขนาดใหญ่และกราฟความรู้ผ่านการปรับปรุงห้าประการ ซึ่งรวมถึงการปรับปรุงการแสดงความรู้ การจัดทำดัชนีร่วมกันของโครงสร้างกราฟและข้อความ การแยกส่วนและการให้เหตุผลโดยใช้สัญลักษณ์ การจัดตำแหน่งความรู้ตามแนวคิด และโมเดล KAG ความสำเร็จนี้คาดว่าจะส่งเสริมการประยุกต์ใช้ AI ในด้านบริการระดับมืออาชีพ และปรับปรุงความแม่นยำและความน่าเชื่อถือของบริการ
ที่อยู่โครงการ: https://github.com/OpenSPG/openspg
กรอบโอเพ่นซอร์สของ KAG จะส่งเสริมความก้าวหน้าและการประยุกต์ใช้เทคโนโลยีปัญญาประดิษฐ์ มอบเครื่องมืออันทรงพลังแก่นักพัฒนามากขึ้น และร่วมกันส่งเสริมการพัฒนาสาขา AI เชื่อกันว่าในอนาคต กรอบการทำงานของ KAG จะมีบทบาทสำคัญในสาขาแนวตั้งมากขึ้น และช่วยให้ผู้ใช้ได้รับประสบการณ์การบริการที่แม่นยำและเชื่อถือได้มากขึ้น