BaranziniLab/KG_RAG
این پروژه با ترکیب گراف دانش و فناوری بازیابی-تولید افزوده (RAG)، مدل‌های زبانی بزرگ (LLM) را تقویت می‌کند تا در انجام وظایف پیچیده و دانش‌محور عملکرد بهتری داشته باشند.
کاربرد:
این روش برای بهبود دقت و قابلیت تفسیرپذیری پاسخ‌های مدل‌های زبانی در حوزه‌هایی که نیاز به دانش تخصصی و ساختاریافته دارند، طراحی شده است. مثلاً در پزشکی، علوم زیستی یا پاسخ‌های مبتنی بر پایگاه دانش.
در چه شرایطی بهتره استفاده شود؟
وقتی با داده‌های پیچیده و مرتبط سروکار دارید و نیاز به استنتاج هوشمندانه بین مفاهیم وجود دارد. همچنین زمانی که مدل باید پاسخ‌های دقیق و قابل ردیابی بر اساس منابع واقعی ارائه دهد.
چند مثال از موارد استفاده:
- پاسخ به سوالات تخصصی در حوزه پزشکی با استناد به ارتباطات ژن-بیماری
- پیشنهاد مسیرهای درمانی بر اساس دانش موجود در پایگاه‌های زیستی
- تحلیل ارتباطات بین ترکیبات دارویی و اثرات جانبی با استفاده از گراف دانش دارویی
- ##KnowledgeGraph
- ##RAG
- ##LLM
- ##BiomedicalAI
- ##DrugDiscovery
- ##AIResearch
- ##DataScience
- ##KG
- ##InterpretableAI
- ##HealthTech