Les graphes de connaissances sont utilisés en cours d'élaboration pour structurer des relations de données complexes, piloter des fonctionnalités de recherche intelligente et construire de puissantes applications d'IA capables de raisonner sur différents types de données. Les graphes de connaissances peuvent relier des données provenant de sources structurées et non structurées (bases de données, documents, etc.), offrant ainsi un moyen intuitif et flexible de modéliser des scénarios complexes du monde réel.

Contrairement aux tableaux ou aux simples listes, les graphes de connaissances peuvent capturer le sens et le contexte derrière les données, ce qui vous permet de découvrir des idées et des connexions qui seraient difficiles à trouver avec des bases de données conventionnelles. Ce contexte riche et structuré est idéal pour améliorer les résultats des grands modèles de langage (LLM), car vous pouvez construire un contexte plus pertinent pour le modèle qu'avec une recherche sémantique seule. Ce cours vous apprendra comment exploiter les graphes de connaissances dans les applications de Génération augmentée de récupération (RAG). Vous apprendrez à : 1. Comprendre les bases de la façon dont les graphes de connaissances stockent les données en utilisant des nœuds pour représenter les entités et des arêtes pour représenter les relations entre les nœuds. 2. Utiliser le Langage de requête de Neo4j, Cypher, pour récupérer des informations à partir d'un graphe de plaisir contenant des données sur les films et les acteurs. 3. Ajouter un index vectoriel à un graphe de connaissances pour représenter des données textuelles non structurées et trouver des textes pertinents en utilisant la recherche de similarité vectorielle. 4. Construire un graphe de connaissances de documents textuels à partir de zéro, en utilisant des documents financiers et d'investissement accessibles au public comme cas d'utilisation de démonstration 5. Exploration des connaissances pour connecter plusieurs graphes de connaissances et utiliser des requêtes complexes pour l'extraction de données complètes. 6. Ecrire des requêtes Cypher avancées pour récupérer les informations pertinentes du graphe et les formater pour les inclure dans votre message à un LLM. Après avoir terminé le cours, vous serez bien équipé pour utiliser les graphes de connaissances pour découvrir des idées plus profondes dans vos données, et améliorer la performance des LLM avec un contexte structuré et pertinent.