[AI बृहत् मॉडल अनुप्रयोगविकासः] AI ज्ञानलेखस्य न्यूनतमपरिचयः: ज्ञानग्राफनिर्माणं प्रश्नं च (कोड् तथा स्रोतकोडविश्लेषणेन सह) साकारं कर्तुं LangChain अनुभवं कर्तुं चरणबद्धं मार्गदर्शनं करोति

[AI बृहत् मॉडल अनुप्रयोग विकासः] AI ज्ञान आलेखस्य न्यूनतमः परिचयः: ज्ञान आलेखस्य निर्माणं प्रश्नं च साकारं कर्तुं LangChain अनुभवं कर्तुं चरणबद्धं मार्गदर्शनं करोति (कोड् तथा स्रोत कोड विश्लेषणेन सह)

2024-07-12

बृहत् आदर्शानुप्रयोगेषु आलेखदत्तांशकोशानां अथवा ज्ञानलेखानां उपयोगः अद्यतनकाले अधिकाधिकं लोकप्रियः अभवत् । विविधानां परस्परसम्बद्धानां च सूचनानां प्रतिनिधित्वं संग्रहणं च कर्तुं आलेखानां स्वाभाविकाः लाभाः सन्ति, तथा च विभिन्नदत्तांशप्रकारस्य मध्ये जटिलसम्बन्धान् विशेषतान् च सहजतया गृहीतुं शक्नुवन्ति, तस्मात् बृहत्प्रतिमानानाम् सन्दर्भं वा आँकडासमर्थनं वा उत्तमरीत्या प्रदातुं शक्नुवन्ति अस्मिन् लेखे बृहत् मॉडल् अनुप्रयोगेषु graph databases अथवा knowledge graphs इत्यस्य उपयोगः कथं भवति इति अवलोकयामः ।

अयं लेखः केवलं सरलः परिचयः अनुभवः च अस्ति।भवान् graph database अथवा neo4j न जानाति चेत् महत्त्वं नास्ति, केवलम् अस्मिन् लेखे स्थापितानि पदानि अनुसृत्य कार्यं कुर्वन्तु . एषः लेखः भवन्तं RAG इत्यस्मिन् ज्ञानलेखस्य अनुप्रयोगविधिं अवगन्तुं साहाय्यं कर्तुं शक्नोति एकवारं भवतः अनुभवः जातः चेत्, यदि आवश्यकं भवति तर्हि पश्चात् ग्राफदत्तांशकोशस्य उपयोगः कथं कर्तव्यः इति ज्ञातुं शक्नुवन्ति ।

0. ज्ञानलेखः किम् ?

०.१ अवधारणा

ज्ञानलेखः एकः संरचितः शब्दार्थज्ञानस्य आधारः अस्ति यः सत्तानां (यथा जनाः, स्थानानि, संस्थाः इत्यादयः) तथा च सत्तानां मध्ये सम्बन्धान् (यथा व्यक्तिसम्बन्धाः, भौगोलिकस्थानसम्बन्धाः इत्यादयः) आलेखरूपेण संग्रहयति, प्रतिनिधित्वं च करोति ज्ञानलेखानां उपयोगः प्रायः अन्वेषणयन्त्राणां शब्दार्थबोधं वर्धयितुं, समृद्धतरसूचनाः, अधिकसटीकानि अन्वेषणपरिणामानि च प्रदातुं भवति ।

ज्ञानलेखस्य मुख्यविशेषताः सन्ति- १.

1. सत्ता : ज्ञानलेखे मूलभूतं एककं, यत् वास्तविकजगति कस्यापि वस्तुनः अवधारणायाः वा प्रतिनिधित्वं करोति।

2. सम्बन्धः: सत्तानां मध्ये सम्बन्धः, यथा "अन्तर्गतः", "अस्ति", "निर्माता", इत्यादयः।

3. गुणः: सत्तायाः स्वामित्वे विद्यमानाः वर्णनात्मकाः सूचनाः, यथा व्यक्तिस्य आयुः, स्थानस्य देशान्तरः अक्षांशः च इत्यादयः।

4. आलेखसंरचना: ज्ञानलेखः आलेखरूपेण आँकडानां आयोजनं करोति, यत्र नोड्स् (सत्ताः) एज्स् (सम्बन्धाः) च सन्ति ।

5. *शब्दार्थजाल: ज्ञानलेखं शब्दार्थजालरूपेण द्रष्टुं शक्यते यस्मिन् नोड्स्, एज्स् च शब्दार्थार्थाः सन्ति ।

6. अनुमानम्: ज्ञानलेखानां उपयोगः तर्कार्थं कर्तुं शक्यते अर्थात् ज्ञातानां सत्तानां सम्बन्धानां च माध्यमेन नूतनानां सूचनानां प्राप्तिः ।

ज्ञानलेखानां व्यापकरूपेण उपयोगः सर्चइञ्जिन-अनुकूलनम् (SEO), अनुशंस-प्रणाली, प्राकृतिकभाषा-प्रक्रियाकरणम् (NLP), आँकडा-खननम् इत्यादिषु क्षेत्रेषु भवति । यथा, गूगलस्य Knowledge Graph, Wikidata, DBpedia इत्यादीनि सर्वाणि ज्ञानलेखानां प्रसिद्धानि उदाहरणानि सन्ति ।

0.2 ज्ञानलेखस्य महत्त्वम्

दत्तांशसङ्गठनस्य एकरूपेण ज्ञानलेखस्य महत्त्वं जटिलदत्तांशसम्बन्धानां प्रतिनिधित्वं प्रबन्धनं च कर्तुं कुशलं सहजं च मार्गं प्रदातुं भवति । एतत् आलेखसंरचनायाः नोड्स् तथा एज्स् इत्येतयोः माध्यमेन दत्तांशं संरचितरूपेण प्रदर्शयति, दत्तांशस्य शब्दार्थव्यञ्जनक्षमतां वर्धयति, सत्तानां मध्ये सम्बन्धं स्पष्टं स्पष्टं च करोति ज्ञानलेखाः सूचनापुनर्प्राप्तेः सटीकतायां महत्त्वपूर्णतया सुधारं कुर्वन्ति, विशेषतः प्राकृतिकभाषासंसाधनक्षेत्रे, येन यन्त्राणि जटिलप्रयोक्तृप्रश्नानां अधिकतया अवगन्तुं प्रतिक्रियां च दातुं शक्नुवन्ति ज्ञानलेखाः बुद्धिमान् अनुप्रयोगेषु मूलभूमिकां निर्वहन्ति, यथा अनुशंसप्रणाली, बुद्धिमान् प्रश्नोत्तरम् इत्यादिषु ।

नीरसपरिचयस्य अनन्तरं RAG+ ज्ञानलेखस्य प्रकरणं दृष्ट्वा स्वयमेव कार्यान्वितं कुर्मः ।

निम्नलिखितप्रकरणं LangChain इत्यस्य आधिकारिकदस्तावेजीकरणात् अस्ति: https://python.langchain.com/v0.1/docs/integrations/graphs/neo4j_cypher/#refresh-graph-schema-information

1. कोडिंग् इत्यनेन सह आरभत

१.१ सज्जता

(1) प्रथमं भवद्भिः graph database संस्थापनीयम्, अत्र वयं neo4j इत्यस्य उपयोगं कुर्मः ।

python संस्थापन आदेशः :

pip install neo4j
1

(2) आधिकारिकं खातं पञ्जीकरणं कृत्वा, प्रवेशं कृत्वा, आँकडाधारदृष्टान्तं रचयन्तु। (यदि भवान् शिक्षणार्थं तस्य उपयोगं कर्तुम् इच्छति तर्हि केवलं निःशुल्कं चिनुत।)

एकं ऑनलाइन-दत्तांशकोश-दृष्टान्तं निर्माय पृष्ठं निम्नलिखितरूपेण भवति ।

इदानीं भवान् स्वस्य कोड् मध्ये एतत् दत्तांशकोशं उपयोक्तुं शक्नोति ।

१.२ संहिताभ्यासः

(1) database instance इत्यस्य निर्माणानन्तरं भवन्तः data इत्यस्य link, username, password च प्राप्तव्याः पुरातनः नियमः अस्ति यत् environment variable इत्यत्र स्थापयितव्यम्, ततः Python इत्यस्य माध्यमेन environment variable इत्येतत् लोड् करणीयम् ।

neo4j_url = os.getenv('NEO4J_URI')  
neo4j_username = os.getenv('NEO4J_USERNAME')  
neo4j_password = os.getenv('NEO4J_PASSWORD')
1
2
3

(2) लिङ्क् डाटाबेस

LangChain neo4j अन्तरफलकं समाहितं करोति, तस्य उपयोगाय अस्माकं केवलं Neo4jGraph वर्गस्य आयातस्य आवश्यकता वर्तते ।

from langchain_community.graphs import Neo4jGraph  
graph = Neo4jGraph(url=neo4j_url, username=neo4j_username, password=neo4j_password)
1
2

(3) दत्तांशं पृच्छन्तु, पूरयन्तु च

प्रश्नं कर्तुं परिणामान् प्रत्यागन्तुं च भवान् query interface इत्यस्य उपयोगं कर्तुं शक्नोति । प्रश्नकथनस्य भाषा Cypher प्रश्नभाषा अस्ति ।

result = graph.query(  
    """  
MERGE (m:Movie {name:"Top Gun", runtime: 120})  
WITH m  
UNWIND ["Tom Cruise", "Val Kilmer", "Anthony Edwards", "Meg Ryan"] AS actor  
MERGE (a:Actor {name:actor})  
MERGE (a)-[:ACTED_IN]->(m)  
"""  
)  
  
print(result)  
  
# 输出：[]
1
2
3
4
5
6
7
8
9
10
11
12
13

उपर्युक्तसङ्केतस्य निर्गमः अस्ति []。

(4) आलेखस्य वास्तुशिल्पसूचनाः ताजगीं कुर्वन्तु

graph.refresh_schema()  
print(graph.schema)
1
2

परिणामेभ्यः योजनायां नोड् प्रकाराः, विशेषताः, प्रकारयोः सम्बन्धाः इत्यादीनि सूचनाः सन्ति, तथा च आलेखस्य वास्तुकला अस्ति ।

वयं graph database मध्ये संगृहीतं दत्तांशं द्रष्टुं neo4j जालपुटे अपि प्रवेशं कर्तुं शक्नुमः:

(5) इदानीं graph database मध्ये data अस्ति इति कारणेन वयं तत् पृच्छितुं शक्नुमः ।

GraphCypherQAChain वर्गः LangChain इत्यस्मिन् समाहितः अस्ति, यस्य ग्राफदत्तांशकोशस्य उपयोगेन सहजतया प्रश्नः कर्तुं शक्यते । निम्नलिखितसङ्केतः : १.

chain = GraphCypherQAChain.from_llm(  
    ChatOpenAI(temperature=0), graph=graph, verbose=True  
)  
  
result = chain.invoke({"query": "Who played in Top Gun?"})  
print(result)
1
2
3
4
5
6

निष्पादनप्रक्रिया तथा परिणामाः : १.

प्रथमं प्राकृतिकभाषा (Top Gun इत्यस्मिन् कः क्रीडितः?) विशालस्य मॉडलस्य माध्यमेन graph query statement इत्यत्र परिणमति, ततः query statement neo4j इत्यस्य माध्यमेन निष्पादितं भवति, परिणामाः प्रत्यागच्छन्ति, अन्ते च large इत्यस्य माध्यमेन प्राकृतिकभाषायां परिणमति मॉडल् तथा उपयोक्त्रे आउटपुट्।

2. ज्ञानस्य विस्तारं कुरुत

2.1 GraphCypherQAChain इत्यस्य पैरामीटर्

उपरिष्टाद् कोड् मध्ये वयं LangChain इत्यस्य GraphCypherQAChain क्लास् इत्यस्य उपयोगं कुर्मः, यत् LangChain द्वारा प्रदत्तं graph database query तथा question and answer chain अस्ति ।अस्य बहवः पैरामीटर्स् सन्ति ये सेट् कर्तुं शक्यन्ते, यथा उपयोगम्exclude_types के नोड् प्रकाराः अथवा सम्बन्धाः उपेक्षिताः इति सेट् कर्तुं:

chain = GraphCypherQAChain.from_llm(  
    graph=graph,  
    cypher_llm=ChatOpenAI(temperature=0, model="gpt-3.5-turbo"),  
    qa_llm=ChatOpenAI(temperature=0, model="gpt-3.5-turbo-16k"),  
    verbose=True,  
    exclude_types=["Movie"],  
)
1
2
3
4
5
6
7

उत्पादनं निम्नलिखितस्य सदृशं भवति ।

Node properties are the following:  
Actor {name: STRING}  
Relationship properties are the following:  
  
The relationships are the following:
1
2
3
4
5

अत्र अनेके समानाः मापदण्डाः उपलभ्यन्ते, भवान् आधिकारिकदस्तावेजं सन्दर्भयितुं शक्नोति: https://python.langchain.com/v0.1/docs/integrations/graphs/neo4j_cypher/#use-separate-llms-for-cypher-and- उत्तर-जननम्

2.2 GraphCypherQAChain निष्पादन स्रोतसङ्केतः

GraphCypherQAChain इत्यस्य निष्पादनस्रोतसङ्केतः निम्नलिखितम् अस्ति ।

（1）cypher_generation_chain: प्राकृतिकभाषायाः आलेखप्रश्नवाक्येषु परिवर्तनम्।

（2）extract_cypher: प्रश्नकथनं बहिः गृह्यताम् यतोहि बृहत् मॉडल् किञ्चित् अतिरिक्तं विवरणसूचना प्रत्यागन्तुं शक्नोति तथा च तेषां निष्कासनस्य आवश्यकता भवति ।

（3）cypher_query_corrector: प्रश्नकथनं सम्यक् कुर्वन्तु।

（4）graph.query: क्वेरी स्टेट्मेण्ट्, क्वेरी ग्राफ डाटाबेस् निष्पादयन्तु, सामग्रीं च प्राप्नुवन्तु

（5）self.qa_chain: मूलप्रश्नस्य प्रश्नस्य च सामग्रीयाः आधारेण पुनः प्राकृतिकभाषायां उपयोक्त्रे उत्तराणि निर्गमं च व्यवस्थित्यै बृहत्प्रतिरूपस्य उपयोगः भवति

def _call(    self,  
    inputs: Dict[str, Any],  
    run_manager: Optional[CallbackManagerForChainRun] = None,) -> Dict[str, Any]:  
    """Generate Cypher statement, use it to look up in db and answer question."""  
    ......  
  
    generated_cypher = self.cypher_generation_chain.run(  
        {"question": question, "schema": self.graph_schema}, callbacks=callbacks  
    )  
  
    # Extract Cypher code if it is wrapped in backticks  
    generated_cypher = extract_cypher(generated_cypher)  
  
    # Correct Cypher query if enabled  
    if self.cypher_query_corrector:  
        generated_cypher = self.cypher_query_corrector(generated_cypher)  
  
    ......  
  
    # Retrieve and limit the number of results  
    # Generated Cypher be null if query corrector identifies invalid schema  
    if generated_cypher:  
        context = self.graph.query(generated_cypher)[: self.top_k]  
    else:  
        context = []  
  
    if self.return_direct:  
        final_result = context  
    else:  
        ......  
  
        result = self.qa_chain(  
            {"question": question, "context": context},  
            callbacks=callbacks,  
        )  
        final_result = result[self.qa_chain.output_key]  
  
    chain_result: Dict[str, Any] = {self.output_key: final_result}  
    ......  
  
    return chain_result
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

बृहत् AI मॉडल् कथं ज्ञातव्यम् ?

एकः उत्साही अन्तर्जाल-दिग्गजः इति नाम्ना अहं मम बहुमूल्यं एआइ-ज्ञानं सर्वैः सह साझां कर्तुं निश्चितवान् । कियत् शिक्षितुं शक्यते इति तु भवतः अध्ययनस्य धैर्यस्य, सामर्थ्यस्य च उपरि निर्भरं भवति । मया महत्त्वपूर्णानि AI बृहत् मॉडल सामग्रीः साझा कृता यत्र AI बृहत् मॉडल परिचयात्मकं शिक्षणं मनः मानचित्रं, उच्चगुणवत्तायुक्तानि AI बृहत् मॉडल् शिक्षणपुस्तकानि तथा च मैनुअल्, विडियो ट्यूटोरियल्, व्यावहारिकशिक्षणम् अन्ये च रिकार्ड् कृतानि विडियो निःशुल्कं सन्ति।

बृहत् मॉडल् AI शिक्षणसामग्रीणां एतत् सम्पूर्णं संस्करणं CSDN मध्ये अपलोड् कृतम् अस्ति यदि भवतः आवश्यकता अस्ति तर्हि मित्राणि WeChat इत्यत्र अधः CSDN आधिकारिकप्रमाणीकरण QR कोडं स्कैन कृत्वा निःशुल्कं प्राप्तुं शक्नुवन्ति [保证100%免费】

1. एजीआई बृहत् आदर्शशिक्षणमार्गस्य सम्पूर्णः समुच्चयः

बृहत् एआइ मॉडल् युगे शिक्षणयात्रा: मूलभूतविषयात् अत्याधुनिकं यावत्, कृत्रिमबुद्धेः मूलकौशलं निपुणतां कुर्वन्तु!

2. एआइ बृहत् मॉडल रिपोर्ट् इत्यस्य 640 सेट् संग्रहः

६४० प्रतिवेदनानां अस्मिन् संग्रहे सैद्धान्तिकसंशोधनं, तकनीकीकार्यन्वयनं, बृहत् एआइ-प्रतिमानानाम् उद्योगप्रयोगः इत्यादयः बहवः पक्षाः समाविष्टाः सन्ति । भवान् वैज्ञानिकः शोधकः, अभियंता, अथवा बृहत् एआइ मॉडल् इत्यत्र रुचिं विद्यमानः उत्साही अस्ति वा, एषः प्रतिवेदनसङ्ग्रहः भवन्तं बहुमूल्यं सूचनां प्रेरणाञ्च प्रदास्यति।

3. एआइ बृहत् मॉडल् विषये क्लासिक PDF पुस्तकानि

कृत्रिमबुद्धिप्रौद्योगिक्याः तीव्रविकासेन अद्यतनवैज्ञानिकप्रौद्योगिकीक्षेत्रे एआइ-बृहत्माडलाः उष्णविषयः अभवन् एते बृहत्-परिमाणस्य पूर्व-प्रशिक्षिताः आदर्शाः, यथा GPT-3, BERT, XLNet इत्यादयः, स्वस्य शक्तिशालिनः भाषाबोधस्य, जननक्षमतायाः च सह कृत्रिमबुद्धेः विषये अस्माकं अवगमनं परिवर्तयन्ति निम्नलिखित PDF पुस्तकानि अतीव उत्तमाः शिक्षणसंसाधनाः सन्ति।

4. एआई बृहत् मॉडल व्यावसायिकीकरण योजना

एकः साधारणः व्यक्तिः इति नाम्ना बृहत् आदर्शानां युगे प्रवेशाय स्वस्य कौशलस्य संज्ञानात्मकस्तरस्य च निरन्तरं सुधारार्थं निरन्तरं शिक्षणस्य अभ्यासस्य च आवश्यकता भवति तत्सह कृत्रिमबुद्धेः स्वस्थविकासे योगदानं दातुं उत्तरदायित्वस्य भावः नैतिकजागरूकता च आवश्यकी भवति .

प्रौद्योगिकी साझेदारी