Графы знаний против векторных баз данных: неужели векторные БД действительно мертвы?

Заменяют ли графы знаний векторные базы данных? Станет ли Graph RAG новым стандартом, или это просто рекламный ход? В этом видео я развею этот миф. Мы начнем с краткого обзора принципов работы векторных баз данных и эмбеддингов. Затем мы рассмотрим простой пример — «Повлияет ли субботнее техническое обслуживание на приложение Payments?» — и покажем, почему поиск по сходству не находит ответ, в то время как граф знаний находит его за несколько шагов. Вы узнаете: Как эмбеддинги и поиск сходства лежат в основе классического RAG Почему «похожий» — это не то же самое, что «связный» Узлы, ребра, свойства и многошаговое рассуждение Один запрос Cypher, который отвечает на весь вопрос Инструменты: FAISS, ChromaDB, Qdrant, Pinecone, pgvector, Neo4j, Memgraph, Neptune Сильные стороны и компромиссы графов знаний Правило использования каждого из них или обоих Реальный пример использования: топология сети и анализ влияния с гибридной конфигурацией Временные метки 0:00 Заменяют ли графы знаний векторные базы данных? 0:21 Что мы рассмотрим 0:43 Векторные базы данных: объяснение эмбеддингов 1:02 Поиск сходства и классический RAG 1:38 Инструменты для работы с векторными базами данных 1:47 Подвох: сходство ≠ связь 2:12 Простой пример 2:55 Чего не хватает векторной базе данных 3:46 Недостающий мост (уверенный и ошибочный) 4:56 Графы знаний: узлы, ребра, свойства 5:33 Многошаговое рассуждение 6:39 Один запрос Cypher 6:57 Демонстрация Neo4j в браузере 7:20 Инструменты визуализации графов 7:47 Графовые базы данных 8:05 Преимущества и недостатки 9:23 Вердикт 9:37 Эмпирическое правило: векторы, графы или и то, и другое 10:16 Пример использования: топология сети 12:00 Гибридная конфигурация 12:36 Итоги Хэштеги #KnowledgeGraph #VectorDatabase #GraphRAG #RAG #LLM #GenerativeAI #Neo4j #Embeddings #AIEngineering #MachineLearning