Comments 7
опять возвращаемся к работе по жёстко заданным алгоритмам?
... и в пределе упираемся в те же самые проблемы, которые были решены при помощи LLM. Возможно, это просто следующий виток спирали эволюции.
а почему бы и нет ? Ведь вся наука построена на аналитической форме представления информации в виде формул. Нейросети это скорее некие приближения к истине (костыли), как ряды Тейлора или Фурье. :-)
Хорошая идея. Операции с графами это фактически логические вычисления. Зная структуру графа и доступные действия система может генерировать все мыслимые комбинации преобразований информации. Часть из них будет бесполезна и бессмысленна, а некоторые вполне пригодны для использования. Такие последовательности преобразований заменят коды на языках высокого уровня, SQL и т.д. Я скажу более: система может автоматически строить оптимальные визуальные формы представлений UI баз данных и знаний из структур графов от схем баз данных. Единственное пожелание разработчикам смелее использовать систему Prolog вместо примитивных и не полных языков работы с графовыми базами данных типа Neo4j Cypher, OWL SPARQL. У меня есть очень успешный опыт замены движка базы знаний Neio4 на Prolog для GraphRAG
Неожиданно возникла еще одна идея. Есть графовые нейронные сети и для них используются те же самые модели трансформеров. Очевидно, что можно начать строить автокодировщики графов знаний при помощи графовых нейросетей!
У меня есть очень успешный опыт замены движка базы знаний Neio4 на Prolog для GraphRAG
пост про это можете написать?
Ну вообще говоря это коммерческая тема. Я конечно поборник открытых идей и кодов не не настолько же. :-) Всякий опытный программист может быстро повторить мою идею и все будет OK. Если найдете какой либо контракт на близкую тему, я возьму вас в партнеры и поделюсь наработкой. Статью напишем потом вместе. Спасибо, Хороших выходных и Удачи !
Почему ИИ-агенты ошибаются в простых веб-задачах — и как граф знаний помогает им перестать быть тупыми