Халюцинациите на изкуствения интелект са сериозен проблем, който компрометира резултатите от работата на AI и се явява предизвикателство за разработчиците. Изследователски екип от Южна Корея е на път да се справи с тази аномалия.
Корейски учени представиха AkasicDB, унифицирана база данни, която намалява „халюцинациите” на изкуствения интелект с до 78% и ускорява обработката на заявки 20 пъти, съобщиха източници от Международната конференция по управление на данни.
Новата система комбинира векторни, графови и релационни бази данни в едно ядро, което позволява на агентите с изкуствен интелект едновременно да разглеждат значението на текста, взаимоотношенията между обектите и структурираните данни.
Учените от Корейския институт за напреднали науки и технологии (KAIST) работят по проекта съвместно с изследователската компания GraphAI. Тяхната нова архитектура за съхранение и обработка на данни, AkasicDB, значително подобрява точността на корпоративните агенти с изкуствен интелект.
Проблемът, който адресира разработката, е свързан с „халюцинациите” в моделите на изкуствен интелект – ситуации, при които езиковите модели генерират правдоподобни, но фактически неверни отговори.
Този проблем е особено критичен в корпоративните системи, тъй като данните се разпределят в документи, таблици и взаимоотношения между обектите и традиционните подходи не могат да ги разглеждат едновременно.
Традиционната технологията за генериране на добавени данни (RAG) работи чрез преобразуване на текст в числови вектори и търсене на подобни документи. Макар и ефективен за неструктурирана информация, този метод се представя слабо при задачи, които изискват едновременно разглеждане на времеви условия, категории и взаимоотношения между обекти.
AkasicDB се справя с това ограничение, като комбинира три модела данни в едно ядро: векторните бази данни позволяват семантично търсене, графовите бази данни анализират взаимоотношенията между обекти (напр. компании, продукти и хора), а релационните бази данни обработват структурирани таблици и параметрични филтри.
На тази основа изследователите разработват метода Omni RAG, който позволява изпълнение на сложни заявки в рамките на един изчислителен план, като едновременно с това се вземат предвид значението, взаимоотношенията и структурните ограничения.
Този подход елиминира необходимостта системата да събира данни от различни бази и да ги комбинира на ниво приложение, което преди това водеше до забавяния и повишена архитектурна сложност.
Пример за такава задача е търсенето на клаузи в договори на компании за определен период и анализът на връзката им с проблемите на веригата за доставки. За да се реши тази задача, системата трябва едновременно да извършва семантично търсене на текст, да обхожда граф на взаимоотношенията и да филтрира данните по времеви и типови условия.
За сравнение, решаването на същата задача в традиционните системи изисква множество различни заявки и последващо агрегиране на резултатите.
AkasicDB изпълнява необходимите операции като една SQL/GQL заявка, оптимизира я в един план за изпълнение и намалява прехвърлянето на междинни данни. Това разтоварва езиковите модели и намалява латентността на отговора.
Според резултатите от тестовете, сложни заявки, които са отнемали до 21,3 секунди в съществуващите системи, са били обработени за по-малко от 1 секунда. В същото време точността на отговора се е увеличила с до 78% в сравнение с традиционните RAG системи.
Разработчиците отбелязват, че тази архитектура смекчава ключовия проблем при внедряването на AI агенти в корпоративни среди – липсата на надеждност на отговорите. Те смятат, че технологията може да се прилага в области с високи изисквания за точност на данните, включително отбрана, финанси, промишленост и наука.
