AkasicDB объединяет векторные, графовые и реляционные базы данных для снижения «галлюцинаций» ИИ

Учёные из KAIST (Korea Advanced Institute of Science and Technology) вместе с исследовательской компанией GraphAI представили архитектуру хранения и обработки данных AkasicDB. В одном ядре система объединяет три типа баз данных: векторные, графовые и реляционные. Идея в том, чтобы повысить точность работы корпоративных ИИ-агентов. Такой подход позволяет одновременно учитывать смысл текста, связи между объектами и структурированные данные.

Проект нацелен на снижение «галлюцинаций» языковых моделей. Речь о ситуациях, когда система выдает правдоподобный, но фактически неверный ответ. В корпоративной среде информация обычно разбросана по разным форматам: документы, таблицы, графы связей. Классический Retrieval-Augmented Generation (RAG) в основном ориентирован на поиск по неструктурированным текстам, поэтому хуже справляется с задачами, где важны временные условия, категории или отношения между объектами.

В AkasicDB эту проблему решают объединением трех моделей данных. Векторные базы отвечают за семантический поиск. Графовые используются для анализа связей между сущностями. Реляционные работают со структурированными таблицами и фильтрами. На этой базе реализован метод Omni RAG, который позволяет выполнять сложные запросы в рамках единого вычислительного плана. Система обрабатывает их как один запрос SQL/GQL, благодаря чему уменьшается передача промежуточных данных и сокращаются задержки.

В тестах сложные запросы, которые в существующих системах занимали до 21,3 секунды, выполнялись менее чем за 1 секунду. Точность ответов достигала 78% по сравнению с традиционными RAG-системами. По оценке авторов, архитектура может использоваться там, где особенно важна точность данных: в обороне, финансах, промышленности и науке.