GraphRAG, bilgi erişimi ve yanıt üretiminde grafik yapılarından yararlanan bir RAG yaklaşımıdır. Belgelerdeki varlıkları ve ilişkileri düzenleyerek modele daha kapsamlı bağlam sunmayı amaçlar. Microsoft Research’ün GraphRAG çalışması, özellikle bir belge koleksiyonunun genel temalarını anlamaya yönelik sorulara odaklanır.

GraphRAG Nedir?

GraphRAG, Retrieval-Augmented Generation (RAG) sistemlerinde bilgi grafikleri veya benzer ilişki yapılarının kullanılmasıdır.

Bir bilgi grafiğinde:

• Düğümler, kişi, kurum, ürün, proje veya olay gibi varlıkları temsil eder.

• Bağlantılar, bu varlıklar arasındaki ilişkileri gösterir.

• Açıklamalar ve kaynak bilgileri, ilişkinin hangi belgeye dayandığını anlamaya yardımcı olabilir.

Örneğin kurgusal bir şirket arşivinde “Atlas firması, Nova projesine sensör sağlıyor” bilgisi bulunabilir. Başka bir belgede bu sensörlerin hangi üretim hattında kullanıldığı açıklanabilir. Grafik yapısı, bu kayıtların birlikte değerlendirilmesini kolaylaştırabilir.

GraphRAG genel bir yaklaşımı anlatmak için kullanılabildiği gibi Microsoft’un açık kaynak projesinin de adıdır. Her grafik tabanlı RAG sistemi aynı mimariyi kullanmaz.

GraphRAG Nasıl Çalışır?

Microsoft’un yaklaşımını temel alan bir sistemde hazırlık süreci genel olarak şöyledir:

1. Belgeler hazırlanır: Metinler işlenebilir parçalara ayrılır.

2. Varlıklar çıkarılır: Belgelerde geçen kişiler, kurumlar ve diğer önemli öğeler belirlenir.

3. İlişkiler oluşturulur: Varlıklar arasındaki bağlantılar açıklamalarıyla kaydedilir.

4. Topluluklar belirlenir: Grafikte birbirine yoğun biçimde bağlı varlıklar gruplandırılır.

5. Topluluk raporları hazırlanır: Bu grupların içerdiği bilgiler özetlenir.

6. Arama için temsiller oluşturulur: Uygun metinler embedding’lere dönüştürülür.

Soru geldiğinde sistem, kullanılan arama yöntemine göre metin parçalarından, varlıklardan, ilişkilerden ve topluluk raporlarından yararlanır. GraphRAG, vektör aramayı tamamen ortadan kaldırmaz; onunla birlikte çalışabilir.

Yerel ve Genel Arama Nasıl Ayrılır?

Yerel Arama — Local Search

Belirli bir varlıkla ilgili sorularda kullanılır. İlgili grafik bilgileri ile kaynak belgelerdeki metin parçalarını birleştirir.

Örneğin “Nova projesinin tedarikçileri hangileri?” sorusu, belirli bir proje ve bağlantıları üzerinde yoğunlaşır.

Genel Arama — Global Search

Belge koleksiyonunun bütünü hakkında sorulan sorulara odaklanır. Topluluk raporlarından elde edilen bilgileri birleştirerek daha geniş bir değerlendirme oluşturur.

“Şirketin projelerinde tekrar eden başlıca tedarik sorunları neler?” sorusu buna örnek olabilir.

DRIFT Search

Topluluk bilgilerini yerel aramayla birleştirir. Geniş bağlamdan hareket ederek daha ayrıntılı takip soruları oluşturabilir ve araştırmayı ilgili bilgilere doğru ilerletebilir.

Bu yöntemlerin kaynak tüketimi ve yanıt kapsamı farklıdır. Her sorguda en kapsamlı yöntemi kullanmak gerekli değildir.

Klasik RAG ile Arasındaki Fark Nedir?

Basit bir vektör tabanlı RAG sistemi, sorguya benzer metin parçalarını bulup modele sunar. GraphRAG ise metin benzerliğinin yanında varlık ilişkileri ve topluluk özetlerinden yararlanabilir.

Ancak RAG yalnızca vektör aramadan oluşan tek bir yöntem değildir. Anahtar kelime araması, yeniden sıralama ve farklı bilgi erişim teknikleriyle de kurulabilir. GraphRAG, bu geniş yaklaşımın grafiklerden yararlanan bir uygulamasıdır.

Microsoft’un araştırması, belirli genel değerlendirme sorularında geleneksel bir RAG temel sistemine göre daha kapsamlı ve çeşitli yanıtlar elde edildiğini bildirir. Bu bulgu, GraphRAG’ın bütün sorularda daha doğru veya daha hızlı olduğunu göstermez.

Çok Adımlı Sorulara Nasıl Yardımcı Olur?

Bir sorunun yanıtı, birbirine bağlı birkaç kayıtta bulunabilir.

Örneğin kullanıcı, “Nova projesinde kullanılan sensörün tedarikçisi başka hangi projelerde görev alıyor?” diye sorabilir. Sistem önce projeyi, ardından sensörü, tedarikçiyi ve diğer proje bağlantılarını değerlendirebilir.

Bu tür ilişki zincirleri, tek bir benzer paragraf bulmanın yeterli olmadığı durumlarda yararlı olabilir. Ancak bağlantıların doğru çıkarılması gerekir. Eksik veya yanlış bir ilişki, sonraki adımları da etkileyebilir.

Daha Doğru Yanıt Vermeyi Garanti Eder mi?

Hayır. Bilginin grafik biçiminde saklanması, doğruluğunu kendiliğinden kanıtlamaz.

Örneğin belgede “Atlas ile görüşme yapılması planlanıyor” yazarken sistem bunu “Atlas ile anlaşma yapıldı” şeklinde yorumlarsa yanlış ilişki oluşturulabilir.

Benzer şekilde:

• Aynı isimli iki kişi birbirine karıştırılabilir.

• Eski ve yeni bilgiler birlikte kullanılabilir.

• Bir iddia, doğrulanmış olay gibi temsil edilebilir.

• Özetleme sırasında önemli koşullar kaybolabilir.

Bu nedenle varlıkların doğru eşleştirilmesi, tarih bilgilerinin korunması ve yanıtların kaynak belgelerle doğrulanması önemlidir. Grafikteki bir bağlantı, tek başına neden-sonuç ilişkisi anlamına da gelmez.

Nerelerde Yararlı Olabilir?

Kurumsal bilgi yönetiminde, proje, ekip, ürün ve tedarikçi bağlantılarının incelenmesine yardımcı olabilir.

Akademik araştırmalarda, farklı yayınlarda geçen yöntemlerin, konuların ve ortak çalışma alanlarının keşfedilmesini destekleyebilir.

Müşteri destek arşivlerinde, ürünler ile tekrar eden sorunlar arasındaki ilişkilerin araştırılmasında kullanılabilir.

Uzun rapor koleksiyonlarında, tek tek belgeleri aşan ortak temaların ve farklı bakış açılarının özetlenmesine katkı sağlayabilir.

Bu kullanım örneklerinde uygunluk, gerçek sorular üzerinde yapılan karşılaştırmalarla değerlendirilmelidir.

Maliyeti ve Yönetim Zorlukları Nelerdir?

Grafik çıkarımı ve topluluk raporlarının hazırlanması ek işlem gerektirir. Microsoft’un proje açıklaması da indeksleme maliyetine dikkat çeker ve küçük veri kümeleriyle başlamayı önerir.

Yeni belgeler geldiğinde ilişkilerin ve özetlerin güncellenmesi gerekebilir. Ayrıca kaynak belgelere uygulanan erişim kurallarının, bu belgelerden üretilen özet ve grafik kayıtlarında da korunması önemlidir.

Değerlendirmede yalnızca yanıtın akıcılığına bakılmamalıdır. Kaynak doğruluğu, eksik bilgi oranı, gecikme ve maliyet birlikte ölçülmelidir.

Sık Sorulan Sorular

GraphRAG için özel bir grafik veritabanı zorunlu mu?

Hayır. Saklama biçimi uygulamaya bağlıdır. Microsoft’un indeksleme dokümantasyonu, varsayılan çıktıların Parquet tablolarında ve embedding’lerin yapılandırılan vektör deposunda tutulabildiğini belirtir.

Her belge arşivinde GraphRAG kullanılmalı mı?

Hayır. Dar kapsamlı bilgi bulma görevlerinde daha basit bir RAG sistemi yeterli olabilir.

Halüsinasyonları tamamen önler mi?

Hayır. Bilgi çıkarımı, özetleme ve yanıt üretimi aşamalarında hatalar oluşabilir.

GraphRAG’ın temel katkısı, belgeler arasındaki bağlantıları bilgi erişiminin parçası hâline getirmesidir. Başarılı kullanım, bu bağlantıların kaynaklarla doğrulanmasına ve seçilen yöntemin gerçek sorulara uygun olmasına bağlıdır.

Kaynaklar: Microsoft GraphRAG — Indexing Overview, Query Engine, Local Search ve DRIFT Search dokümantasyonu; Edge ve diğerleri — From Local to Global: A Graph RAG Approach to Query-Focused Summarization; Microsoft — GraphRAG resmî GitHub projesi.

Editör Notu

Bu içerik, kamuya açık bilgi erişimi araştırmaları ve resmî teknik dokümantasyonlardan yararlanılarak hazırlanmış bir araştırma ve değerlendirme yazısıdır. İçerikte yer alan değerlendirmeler editoryal yorum niteliğindedir. GraphRAG’ın yanıt kalitesi ve maliyeti; belge yapısına, çıkarılan ilişkilerin doğruluğuna, sorgu türüne ve kullanılan modellere göre değişebilir.