KG-RAG: Cerrando la Brecha entre el Conocimiento y la Creatividad

Garantizar la exactitud factual mientras se mantienen las capacidades creativas de los Agentes de Modelos de Lenguaje Grande (LMAs) plantea desafíos significativos en el desarrollo de sistemas de agentes inteligentes. Los LMAs enfrentan problemas prevalentes como alucinaciones de información, olvido catastrófico y limitaciones en el procesamiento de contextos largos al manejar tareas intensivas en conocimiento. Este artículo presenta una canalización KG-RAG (Generación Aumentada por Recuperación de Grafos de Conocimiento), un marco novedoso diseñado para mejorar las capacidades de conocimiento de los LMAs integrando Grafos de Conocimiento estructurados (KGs) con las funcionalidades de los LLMs, reduciendo así significativamente la dependencia del conocimiento latente de los LLMs. La canalización KG-RAG construye un KG a partir de texto no estructurado y luego realiza recuperación de información sobre el grafo recién creado para ejecutar KGQA (Respuesta a Preguntas con Grafos de Conocimiento). La metodología de recuperación aprovecha un algoritmo novedoso llamado Cadena de Exploraciones (CoE) que se beneficia del razonamiento de los LLMs para explorar nodos y relaciones dentro del KG secuencialmente. Experimentos preliminares en el conjunto de datos ComplexWebQuestions demuestran mejoras notables en la reducción del contenido alucinado y sugieren un camino prometedor hacia el desarrollo de sistemas inteligentes capaces de manejar tareas intensivas en conocimiento.