Les systèmes GraphRAG en pratique : vers une taxonomie des questions, des méthodes et défis d'évaluation

Overview & Synopsis

La génération augmentée par la récupération (RAG) s'est imposée comme une approche efficace pour enrichir les grand modèles de langue (LLMs) avec des connaissances externes afin d'améliorer leur fiabilité. Cependant, le RAG traditionnel, principalement basé sur des corpus textuels, présente certaines limites, notamment la perte de contexte global due à la segmentation des documents et l'absence de modélisation explicites de relations entre les entités. En réponse à ces limitations, le Gra- phRAG propose d'exploiter des structures de graphe afin de renforcer les capacités de raisonnement des LLMs. Dans cet article, nous analysons des méthodes GraphRAG existantes, en mettant en avant leurs caractéristiques spécifiques. Pour compléter cette étude, nous proposons une taxonomie des types de questions et des réponses, étroitement liées aux choix architecturaux. Enfin nous présentons des méthodes d'évaluation de ces systèmes, et plus largement des systèmes RAG.