向量数据库与知识图谱：CIO/CDO在实施RAG时如何做出正确选择

生成式人工智能（GenAI）通过其合成大量信息以产生几乎即时的输出的能力继续让用户惊叹不已。尽管主要关注的都是那些输出，但真正的神奇发生在幕后，即复杂的数据组织和检索技术使得这些不同数据点之间的连接成为可能。这也是许多技术专家在最佳方法上意见不一致的领域。

问题的核心是检索增强生成（RAG），这是一种将数据检索与GenAI模型结合的自然语言处理技术。通过使用RAG，GenAI驱动的解决方案首次能够通过从外部来源检索信息来增强其自身的知识和内容生成，而不仅仅依赖预先编程的数据集。这一重大的进步对于商业、社会和技术都有广泛的影响。但关键的数据准备步骤不能被忽视，而目前使用的是几十年前的技术。

选择正确的数据架构

目前，有两种主要的技术用于组织数据和RAG框架所需的上下文，即向量数据库（DBs）和知识图谱。尽管这些数据管理技术可能不太令人兴奋，但如果首席信息官想让他们闪亮的新玩具正常工作，向量数据库和知识图谱必须成为首要任务。

挑战是：两者涉及非常不同的执行方式，而首席信息官最终需要决定是使用向量数据库还是知识图谱更好。哪个更好？这要视情况而定。

在继续之前，首席信息官要考虑他们试图通过RAG解决的问题以及他们的数据有多复杂，然后将其需求与每个数据架构的优点和缺点进行比较。

向量数据库将非结构化数据（文本、图像、音频等）以向量嵌入（数值格式）的方式进行存储和管理。这些嵌入捕捉了数据点之间的语义关系。当RAG框架搜索向量数据库以检索数据时，它会快速查找数学相似的向量，这意味着相似的含义，而不仅仅是关键词匹配。

与之相反，知识图谱将数据表示为节点（实体）和边（关系）的网络。它们可以处理基于连接类型、节点性质、结构和属性的更复杂、细致的查询。它们还可以捕捉在向量化的嵌入空间中可能丢失的丰富语义关系。

因此，当组织需要一种能够在相互连接的网络中结构化复杂数据、促进数据表示并跟踪数据点之间的关系和渊源的强大工具时，最好选择知识图谱。知识图谱在需要理解数据的上下文和关联性的情况下非常有用。LLM可以说：“我的答案来自于这些三元组或这个子图。”

选择向量数据库而不选择知识图谱的原因包括成本较低和速度较快。知识图谱可能很昂贵，但如果使用案例要求使用知识图谱——只有知识图谱才能提供所需的信息——那么价格就值得为输出的准确性买单。

何时选择知识图谱与向量数据库？

Vector DB在协助客户服务代表的RAG系统中具有显著的优势。这些员工通常负责回答各种各样的客户查询，从流程问题（例如更改现有政策的保险范围）到更复杂的问题，比如提交汽车保险索赔。在这些情况下，RAG系统利用Vector DB从结构化的标准操作程序知识库动态获取最相关的答案。通过减少等待时间并确保客户得到一致的信息，这种方法提高了客户满意度。

Vector DB在这些情境中表现出色的原因在于其能够执行语义搜索。它们将文本查询和包含潜在答案的文档转换为高维向量空间，从而便于识别与查询语义内容最接近的内容。

知识图谱在复杂的保险理赔调整等领域表现出色，其中理赔员必须在相互关联的数据点迷宫中穿梭。这一角色不仅要求检索信息，还要对各种实体之间的关系和相互依赖性有深入的理解。知识图谱通过提供实体之间的结构化关系（例如政策、索赔和客户），在这个复杂的环境中发挥作用。

在实施RAG系统的复杂性中，组织在选择向量数据库和知识图谱之间的时候至关重要。尽管两者都具有独特的优势，但了解特定数据需求和特定用例的复杂性至关重要。无论CIO选择知识图谱的精确性还是Vector DB的效率，目标显而易见：利用RAG系统的能力，推动创新、提高生产力和用户体验。根据场景和投入产出比做出明智选择，并踏上人类智慧和机器智能在数字时代重新定义协作问题解决可能性的旅程。