Ανάπτυξη υβριδικού συστήματος ερωταποκρίσεων με αξιοποίηση γλωσσικών μοντέλων και γράφου γνώσης

Abstract

Η ραγδαία εξέλιξη των Large Language Models έχει επιτρέψει την ανάπτυξη συστημάτων ερώτησης–απάντησης με υψηλή γλωσσική ευχέρεια, τα οποία όμως παρουσιάζουν περιορισμούς σε εφαρμογές που απαιτούν ακριβή και επαληθεύσιμη γνώση. Ιδιαίτερα σε γνωσιακά εντατικές εφαρμογές, τα αυτόνομα γλωσσικά μοντέλα ενδέχεται να παράγουν απαντήσεις που δεν στηρίζονται σε πραγματικά δεδομένα, φαινόμενο γνωστό ως hallucination. Η παρούσα εργασία προτείνει και υλοποιεί ένα υβριδικό σύστημα ερώτησης–απάντησης που συνδυάζει Retrieval-Augmented Generation και Knowledge Graphs, με στόχο τη βελτίωση της ακρίβειας και της αξιοπιστίας των παραγόμενων απαντήσεων. Το σύστημα αξιοποιεί μηχανισμούς ανάκτησης μη δομημένης γνώσης από συλλογή εγγράφων μέσω διανυσματικών αναπαραστάσεων, καθώς και ανάκτηση δομημένων γεγονότων από Knowledge Graph μέσω ερωτημάτων Cypher. Οι πληροφορίες από τις δύο πηγές συνδυάζονται σε ξεχωριστό στάδιο σύνθεσης, όπου παράγεται η τελική απάντηση. Η εργασία παρουσιάζει το θεωρητικό υπόβαθρο των γλωσσικών μοντέλων, των συστημάτων Retrieval-Augmented Generation και των Knowledge Graphs, καθώς και τον σχεδιασμό και την υλοποίηση του προτεινόμενου συστήματος. Τέλος, συζητούνται οι περιορισμοί της παρούσας προσέγγισης και προτείνονται κατευθύνσεις για μελλοντική επέκταση και βελτίωση.