AI注目記事のキュレーターページ

大規模言語モデル（LLM）は情報の処理と生成の方法を変革しましたが、複数のソースからの知識を効果的に統合することには依然として課題があります。従来のRetrieval Augmented Generation（RAG）手法は役立つものの、別々の文書から情報をつなげる必要があるマルチホップ推論タスクには不十分です。これらの制限に対処するために、私たちはヒッポRAGという新しいRAGフレームワークを探求します。これは人間の脳の海馬の記憶システムにインスパイアされています。

この投稿では、包括的なAWSスタックを使用してHippoRAGを実装する方法を示します。Amazon BedrockをLLM機能に、Amazon Neptuneをグラフデータベース機能に、Amazon Neptune AnalyticsをパーソナライズされたPageRankを含む高度なグラフアルゴリズムに、Amazon Titan Embeddingsをベクトル表現に使用します。この実装は、企業規模のアプリケーション向けにAWSインフラ内でHippoRAGを構築および展開する方法を示しています。

HippoRAGは、人間の長期記憶の海馬インデックス理論にインスパイアされています。人間の脳では、新皮質が知覚入力を処理し、海馬が記憶間の関連性のインデックスを作成します。この二重構成システムにより、人間は異なる経験から情報を効率的に統合できます。従来のRAGアプローチは各文書を独立して扱い、複数のソースから情報をつなげる必要がある質問に苦労します。HippoRAGは、エンティティ間の関係を表す知識グラフを構築し、効率的なグラフトラバーサルと関連性ランキングのためにパーソナライズされたPageRank（PPR）アルゴリズムを使用し、複数の反復を必要とせずに単一ステップのマルチホップ取得を可能にします。

AWSでのHippoRAGの実装には、主に4つのコンポーネントが含まれます：Amazon Bedrock、Amazon Neptune Database、Amazon Neptune Analytics、Amazon Titan Embeddings。これにより、パーソナライズされたPageRankの完全な力を利用しながら、AWSの管理サービスのスケーラビリティと信頼性を維持できます。