Waarom is dit belangrijk?
Vragen over het totaalbeeld van een grote verzameling teksten zijn met gewoon zoeken lastig te beantwoorden, omdat losse stukken geen geheel vormen. In wetenschappelijk onderzoek helpt GraphRAG teams om uit eigen verslagen en rapporten hoofdlijnen en terugkerende patronen te halen. Onderzoekers en studenten krijgen zo sneller overzicht over een hele collectie, maar het taalmodel kan een verband verkeerd leggen en zo een onjuist antwoord geven.
Zo werkt het in de praktijk
Microsoft Research gebruikte GraphRAG op de VIINA-verzameling met nieuws uit juni 2023. De artikelen komen uit Russische en Oekraïense bronnen. Het systeem toont bij elk antwoord de bron, zodat een lezer de tekst kan controleren.
Onderzoekers van Michigan State University en de University of Oregon keken hoe GraphRAG per vakgebied anders wordt opgezet. Hun kader heeft vijf onderdelen: vraagverwerking, zoeken, ordenen, genereren en de gegevensbron.
De documentatie van GraphRAG beschrijft een vaste werkwijze met de Leiden-methode. Die methode zet sterk verbonden knopen bij elkaar en maakt per groep een samenvatting. Een vraag gebruikt daarna een globale zoekactie over die samenvattingen of een lokale zoekactie rond één knoop.




