Корейские учёные разработали AkasicDB: ИИ с меньшими «галлюцинациями» и быстрой обработкой запросов

Новая система сочетает в едином ядре векторные, графовые и реляционные базы данных, позволяя ИИ-агентам одновременно учитывать смысл текста, связи объектов и структурированные данные

Исследователи Корейского института передовых технологий (KAIST, Korea Advanced Institute of Science and Technology) совместно с компанией GraphAI представили новую архитектуру для хранения и обработки данных AkasicDB, которая объединяет три ключевых типа баз данных — векторные, графовые и реляционные — в одной системе, значительно повышая точность работы корпоративных ИИ-агентов.

Проблема, которую решает данная разработка, связана с «галлюцинациями» моделей искусственного интеллекта — ситуациями, когда языковые модели генерируют правдоподобные, но на самом деле неверные ответы. В корпоративных системах это особенно критично, так как данные распределены между документами, таблицами и взаимосвязями объектов, и традиционные подходы не позволяют учитывать их одновременно.

Классическая технология Retrieval-Augmented Generation (RAG) функционирует через преобразование текста в числовые векторы и поиск схожих документов, что эффективно для неструктурированной информации, но плохо справляется с задачами, где требуется одновременно учитывать временные условия, категории и связи между объектами.

AkasicDB устраняет это ограничение, интегрируя три модели данных в одном ядре: векторные базы обеспечивают семантический поиск, графовые — анализ взаимосвязей между сущностями (такими как компании, продукты и люди), а реляционные — работу со структурированными таблицами и фильтрами по параметрам.

На этой основе исследователи разработали метод Omni RAG, который позволяет выполнять сложные запросы в рамках единого вычислительного плана, учитывая смысл, связи и структурные ограничения. Это освобождает систему от необходимости собирать данные из различных баз и объединять их на уровне приложения, что ранее приводило к задержкам и усложнению архитектуры.

Пример подобной задачи — поиск положений контрактов компании за определённый период и анализ их связи с проблемами поставок. Для её решения система должна одновременно провести семантический поиск по текстам, пройти по графу связей и отфильтровать данные по временным и типовым условиям. В традиционных системах это требует нескольких разрозненных запросов и последующей агрегации результатов.

AkasicDB выполняет такие операции как единый запрос SQL/GQL, оптимизируя его в одном плане выполнения и уменьшая передачу промежуточных данных. Это снижает нагрузку на языковые модели и уменьшает задержки ответа.

Согласно результатам тестирования, сложные запросы, которые в существующих системах занимали до 21,3 секунды, обрабатывались менее чем за 1 секунду. В то же время точность ответов возросла до 78% по сравнению с традиционными RAG-системами.

Авторы разработки подчеркивают, что такая архитектура решает основную проблему внедрения ИИ-агентов в корпоративной среде — недостаточную надёжность ответов. По их оценкам, технология может быть использована в сферах с высокими требованиями к точности данных, включая оборону, финансы, промышленность и науку.