Los gráficos se han convertido en la capa semántica empresarial más utilizada, proporcionando una visión unificada de los proveedores, contratos, productos, socios, etc. de una organización. Como resultado, evolucionan orgánicamente con el tiempo hasta volverse muy grandes, con millones de nodos (entidades) y muchas veces más aristas (relaciones).
Incluso con ontologías y controles de gobernanza implementados, el cumplimiento entre diferentes canales que alimentan datos en el gráfico a menudo no es consistente. Surgen nuevas reglas de negocio, cambian las convenciones de nomenclatura y las regiones más antiguas del gráfico con frecuencia quedan intactas debido a la enorme complejidad y el costo computacional de actualizarlas.
Todo esto hace que un gráfico grande sea cada vez más difícil de mantener. Uno de los mayores problemas operativos ocurre en la capa de ingestión. Por cada nuevo documento que es necesario agregar, surgen periódicamente algunas preguntas que necesitan respuesta. Preguntas como las siguientes:
¿Sony Corp ya existe en el gráfico? Y si es así ¿con qué nombre? ¿”Sony Corp” que figura en este nuevo documento es la misma entidad que “Sony Interactive Entertainment” que ya está presente en el gráfico? ¿O mantienen relaciones diferentes con nuestra organización, por lo que requieren un nodo nuevo y distinto? ¿Qué relaciones existen? Las ambigüedades semánticas (suministra, provee, se contrata) hacen que la conciliación a escala sea cada vez más difícil.
En ausencia de una herramienta eficaz que pueda reducir el espacio de búsqueda, los canales de ingesta se ven obligados a ejecutar costosas búsquedas de gráficos globales para buscar variaciones, lo que degrada el rendimiento e incurre en grandes costos computacionales.
¿Qué pasaría si existiera una manera escalable, rápida y de bajo costo de escanear miles de documentos históricos que ya han sido ingeridos en el gráfico y determinar las entidades y relaciones probables antes de consultar el gráfico de conocimiento? Aún mejor sería utilizar el contexto así recopilado para la localización semántica:
¿Decirle a la canalización exactamente qué región específica del gráfico actualizar, en lugar de obligarlo a atravesar todo?
La elección obvia para este paso de prefiltrado es un índice vectorial.
Sin embargo, la generación tradicional de recuperación aumentada (RAG) es totalmente inadecuada para esta tarea. La fragmentación vectorial estándar fragmenta un documento en fragmentos aislados, sin una narrativa estructural común. Si bien los fragmentos pueden encontrar el nombre de una entidad, eliminan el contexto circundante necesario para extraer con precisión las relaciones entre empresas, productos, personas, lugares, etc.
Ahí es donde entra en juego la arquitectura Proxy-Pointer.
En este artículo, demostraré un enfoque novedoso para extraer de forma rápida y confiable entidades y relaciones de documentos históricos. Al utilizar coincidencias de vectores como "indicadores" para recuperar secciones estructurales intactas de un documento, podemos trasladar la carga de la conciliación de entidades del costoso Knowledge Graph a un proceso de recuperación de vectores significativamente más rápido, más barato y más preciso.
Resumen rápido: ¿Qué es Proxy-Pointer?
El RAG vectorial estándar divide los documentos en fragmentos ciegos, los incrusta y recupera la K superior por similitud de coseno. El sintetizador LLM ve texto fragmentado y sin contexto y, con frecuencia, alucina o pierde la respuesta por completo.
Proxy-Pointer soluciona este problema con cinco técnicas de ingeniería de costo cero:
Árbol esqueleto: analiza los encabezados de Markdown en un árbol jerárquico (Python puro, no se necesita LLM) Inyección de ruta de navegación: antepone la ruta estructural completa (AMD > Estados financieros > Flujos de efectivo) a cada fragmento antes de incrustarlo. Fragmentación guiada por estructura: divide el texto dentro de los límites de la sección, nunca a través de ellos. Filtrado de ruido: elimina las secciones que distraen (TOC, glosario, resúmenes ejecutivos) del índice. Contexto basado en punteros: usa los fragmentos recuperados como punteros para cargar el sección de documento completa e ininterrumpida para el sintetizador
El resultado: cada fragmento sabe dónde se encuentra en el documento y el sintetizador ve secciones completas, no fragmentos.
Cómo los gráficos de conocimiento manejan la reconciliación
Si bien está claro por qué las bases de datos vectoriales tradicionales no son adecuadas para la conciliación, vale la pena examinar cómo los gráficos de conocimiento abordan este problema. Casi todas las bases de datos de gráficos empresariales pueden realizar coincidencias de similitud semántica entre nodos y relaciones. Además, las bases de datos de gráficos implementan una variedad de herramientas: coincidencia de ontologías, tablas de alias, coincidencia difusa y GNN. Pero quizás la técnica más conocida y utilizada sea la de incorporar similitudes.
En un gráfico moderno, los nodos y bordes de un gráfico llevan incrustaciones de vectores. Y las incorporaciones de nodos incluirán no sólo el nombre del nodo (por ejemplo: Sony Corp), sino también sus metadatos (etiquetas como industria) y su topología localizada (nodos de vecindad y relaciones). En principio, esto permite al sistema identificar nodos que están semánticamente cerca incluso cuando los nombres difieren. Por ejemplo, una búsqueda gráfica de: Sony + ecosistema de juegos + proveedor puede recuperar nodos como el ecosistema de PlayStation, Sony Corp o Sony Interactive Entertainment.
Sin embargo, este enfoque se vuelve cada vez más difícil a escala empresarial. A medida que prolifera el número de entidades semánticamente similares, ya sea por diseño o debido a datos históricos confusos, se vuelve cada vez más difícil predecir qué nodo de entidad específica es el objetivo correcto para la nueva relación que estamos tratando de asimilar.
Considere esta única frase: “AMD se asoció con Sony para SoC semipersonalizados de PlayStation” contiene la identidad de la entidad (AMD, Sony, Playstation), pero también la semántica de relación (socio con), el contexto de la plataforma (Playstation) y el rol comercial (SoC semipersonalizados). Implícitamente, esta frase se relaciona con múltiples relaciones distintas: AMD es el diseñador/proveedor del chip, Sony es el propietario/cliente de la plataforma y la interacción está orientada al hardware.
En un gráfico de conocimiento grande, relaciones tan diversas no se almacenan juntas; es probable que estén distribuidas en varios nodos y rutas de borde complejas. Sin embargo, en el documento fuente, son parte de solo una sección donde aparece esta oración.
Esto hace que decidir cuál de los nodos “relacionados con Sony” es el ancla correcta para la nueva incorporación sea un desafío enorme y costoso desde el punto de vista computacional.
Entonces, ¿cómo resuelve esto Proxy-Pointer?
La respuesta es que, mientras que la base de datos vectorial tradicional se utiliza como almacén de paquetes de palabras aleatorias (fragmentos), Proxy-Pointer la trata como un índice estructural. Utilizando un proceso de dos pasos que cierra la brecha entre una coincidencia exacta y una búsqueda semántica, podemos abordar la reconciliación lo suficientemente bien como para controlar la expansión de entidades y relaciones.
Para esta prueba, descargué e incrusté los archivos 10-K de AMD disponibles públicamente para 2020 y 2021 utilizando la indexación basada en árbol Proxy-Pointer. Cada uno de estos documentos tiene más de 120 páginas y da como resultado un total de ~1000 fragmentos. Esto forma nuestro conjunto de datos históricos que asumimos que ya está ingerido y presente en el gráfico de conocimiento. Luego tomé el AMD 2022 10-K como documento a ingerir y creé 4 consultas de prueba en torno a las entidades detectadas allí.
Así es como funciona esto en la práctica:
1. Creación del perfil de entidad (el generador de consultas)
Cuando un proceso de ingesta procesa un nuevo documento (por ejemplo, una presentación de 2022), un LLM ascendente primero extrae no solo las entidades, sino que luego crea un "Perfil de entidad". En lugar de simplemente extraer el nombre "Sony", recopila los hechos clave y el contexto comercial que rodea a esa entidad en el nuevo documento.
Por ejemplo: "En la presentación de AMD de 2022 se hace referencia a Sony como propietario de la marca registrada PlayStation. En el segmento de juegos, AMD afirma que las consolas de juegos Sony PlayStation 5 y Microsoft Xbox Series S y X cuentan con la arquitectura de gráficos RDNA de AMD. En Productos semipersonalizados, AMD afirma que desarrolló los productos SoC semipersonalizados que alimentan tanto la Sony PlayStation 5 como las consolas de juegos Microsoft Xbox Series S y X. Los ingresos por SoC semipersonalizados de AMD dependen de las condiciones del mercado de consumo. incluido el éxito de los sistemas de consola de juegos Sony PlayStation 5 en todo el mundo."
Nuestro Query Builder convierte automáticamente este perfil en una estrategia de búsqueda vectorial de múltiples pistas. Genera una consulta para el nombre puro de la entidad (Subconsulta1: “Sony”) diseñada para encontrar cualquier sección que mencione explícitamente la palabra “Sony” o cualquier otra variante. A continuación, analizamos el perfil para generar varias preguntas destinadas a encontrar si existe una relación igual o similar entre "Sony" y otra entidad. Esto crea las dos consultas siguientes en este caso:
Subconsulta 2: "Sony es propietaria de la marca PlayStation. ¿Existe la misma relación o una similar?" Subconsulta 3: "Sony utiliza la arquitectura de gráficos RDNA de AMD en PlayStation 5. ¿Existe la misma relación o una similar?"
Al enviar tanto el nombre de la entidad sin formato como las preguntas de relación descompuestas, Proxy-Pointer crea una "red semántica" personalizada, lo que mejora la probabilidad de que el Reconciliador obtenga todas las secciones relevantes del documento necesarias para verificar el nodo desde diferentes perspectivas antes de incorporarlas al Gráfico de conocimiento. Sin embargo, encontrar los fragmentos correctos en la base de datos vectorial es sólo la mitad de la batalla. Aquí es donde falla el RAG tradicional y donde la arquitectura Proxy-Pointer da el salto.
2. El Vector Hit es sólo un “indicador”
En RAG tradicional, la base de datos vectorial devolvería un fragmento fragmentado de 500 caracteres, tal vez sólo la frase que menciona PlayStation. Proxy-Pointer ignora por completo el texto del fragmento. En cambio, utiliza los metadatos del fragmento como un "puntero" para recuperar la sección completa del documento, estructuralmente intacta (desde el encabezado hasta el siguiente).
Esto es lo que permite al LLM Reconciler ver el contexto semántico completo para derivar relaciones entre entidades, por ejemplo: Sony es propietario de Playstation.
3. Conciliación estricta impulsada por el LLM
Tomamos las secciones top-k únicas devueltas por todas las consultas y creamos el contexto para Reconciler LLM. Se solicita al Reconciliador que genere todas las diferentes variaciones del nombre de la entidad, así como las relaciones que puede ver con otras entidades. Debido a que el LLM puede leer la sección completa, no tiene que adivinar relaciones basadas en oraciones aisladas.
¿Qué pasa con las variaciones que no están en top-k?
Una pregunta arquitectónica válida en este punto sería comprender qué sucede si la entidad se menciona en cientos de documentos históricos. Dado que nuestra búsqueda vectorial se limita a recuperar las secciones "top-k" (por ejemplo, 3 a 7), ¿no nos perderemos un contexto histórico vital?
La respuesta es “no es necesario”. El objetivo del canal de filtrado Proxy-Pointer no es un análisis exhaustivo de los documentos históricos, sino una "localización semántica" para la ingesta de gráficos. Al recuperar solo algunas secciones muy relevantes y de contexto completo, Reconciler LLM captura una masa crítica de alias de entidades y relaciones comerciales que ayudan a GraphQL a identificar la región donde debe buscar para encontrar y fusionar esta entidad y relación.
Como veremos en la siguiente sección, para nuestro ejemplo de "Sony", podemos encontrar la entidad jurídica canónica "Sony Interactive Entertainment, Inc." En otro caso, puede apuntar a regiones más amplias (sistemas de juegos o AMD) que pueden usarse como anclas para localizar nuestra búsqueda en esas zonas de gráficos.
Resultados de la prueba
Implementé esta arquitectura en varios escenarios de ingesta complicados y obtuve resultados notables.
Alias puente (las pruebas “Sony” y “Valve”):
Cuando se le preguntó con la consulta "Sony" (Subconsulta 1) mencionada en las secciones anteriores, el Reconciliador leyó las secciones históricas recuperadas e identificó con precisión la entidad legal formal que ya estaba en el gráfico: "Sony Interactive Entertainment, Inc." Además, resolvió con éxito la relación con la marca registrada Playstation (Subconsulta 2), confirmando que ya existe en las divulgaciones históricas y evitando la creación de bordes duplicados.
Más importante aún, también encontró evidencia indirecta para la Subconsulta 3 (Sony utiliza la arquitectura de gráficos RDNA de AMD) en graph_neighborhood. A partir de documentos históricos de 2020 y 2021, se dedujo que AMD aprovecha su IP de gráficos centrales para diseñar SoC semipersonalizados que impulsan la PlayStation 5, que a su vez está construida sobre la arquitectura RDNA 2. Y, por lo tanto, esta compleja relación de múltiples saltos ya se tiene en cuenta, evitando con éxito la creación de varios bordes redundantes.
Aquí está la respuesta completa:
{ "entity_name": "Sony", "candidate_matches": [ { "name": "Sony Interactive Entertainment, Inc.", "confidence": "HIGH", "sources": [ "AMD_2020_10K > Adquisición pendiente > Información adicional", "AMD_2021_10K > Información adicional" ], "reasoning": "La evidencia identifica explícitamente 'PlayStation' como una marca registrada de 'Sony Interactive Entertainment, Inc.', que es la entidad legal formal de la división de juegos de Sony a la que se hace referencia en el contexto de 2022". } ], "candidate_relationships": [ { "relationship": "owns brand", "target_entity": "PlayStation", "confidence": "HIGH", "evidence_snippet": "PlayStation es una marca registrada o una marca comercial de Sony Interactive Entertainment, Inc." }, { "relationship": "partner/customer", "target_entity": "AMD", "confidence": "HIGH", "evidence_snippet": "Desarrollamos los productos SoC semipersonalizados que alimentan tanto la Sony PlayStation®5 como las consolas de juegos Microsoft®Xbox Series X™ y Microsoft® Xbox Series S™". } ], "graph_neighborhood": [ { " related_entity": "PlayStation 5", "relationship_to_target": "Producto propiedad de la entidad objetivo", "evidence_snippet": "Hemos desarrollado RDNA™ 2, una arquitectura de gráficos de alto rendimiento y eficiencia energética, que es la base para los gráficos de juegos de PC de próxima generación, las consolas PlayStation 5 y Xbox Series S y X". }, { " related_entity": "Productos semipersonalizados", "relationship_to_target": "Segmento comercial en el que colaboran AMD y la entidad objetivo", "evidence_snippet": "Aprovechamos nuestra propiedad intelectual principal, incluidos nuestros gráficos y tecnologías de procesamiento, para desarrollar soluciones semipersonalizadas… Desarrollamos los productos SoC semipersonalizados que alimentan tanto la Sony PlayStation®5" } ], "summary": "La entidad objetivo 'Sony' está identificada en el La evidencia de 2020-2021 principalmente a través de su subsidiaria 'Sony Interactive Entertainment, Inc.', que posee la marca registrada de la marca PlayStation. La evidencia confirma una relación comercial directa en la que AMD proporciona productos SoC semipersonalizados para la consola Sony PlayStation 5, de acuerdo con el contexto de 2022.", "sources": [ "AMD_2020_10K > Adquisición pendiente > Información adicional", "AMD_2021_10K > Información adicional" ] }
Cuando se le preguntó con "Valve", extrajo con éxito dos variaciones distintas: "Valve" y "Valve Corporation", analizando tanto una asociación de producto (Steam Deck) como una divulgación de marca registrada en el mismo pase. De manera similar a la consulta de Sonly, las relaciones candidatas y el gráfico_neighborhood indican que las relaciones en la consulta ya están representadas en el gráfico.
Aquí están la consulta de entrada completa y la respuesta:
Consulta: Se hace referencia a Valve en la presentación de AMD de 2022 en el contexto de productos de juegos semipersonalizados. AMD afirma que se asoció con Valve para crear una APU semipersonalizada optimizada para juegos portátiles para alimentar Steam Deck. Steam y el logotipo de Steam se identifican como marcas comerciales y/o marcas comerciales registradas de Valve. La asociación se enmarca dentro del segmento de juegos de AMD, que incluye principalmente GPU discretas, productos SoC semipersonalizados y servicios de desarrollo. { "entity_name": "Valve", "candidate_matches": [ { "name": "Valve", "confidence": "HIGH", "sources": [ "AMD_2021_10K > The Enterprise, Embedded and Semi-Custom Markets" ], "reasoning": "La entidad se nombra explícitamente en el 2021 10-K como socio de Steam Deck". }, { "name": "Valve Corporation", "confidence": "HIGH", "sources": [ "AMD_2021_10K > Información adicional" ], "reasoning": "Nombre legal completo proporcionado en las divulgaciones de marcas comerciales". } ], "candidate_relationships": [ { "relationship": "partnered with", "target_entity": "AMD", "confidence": "HIGH", "evidence_snippet": "Recientemente también nos asociamos con Valve para crear una APU personalizada optimizada para juegos portátiles para alimentar Steam Deck™". }, { "relationship": "owns brand", "target_entity": "Steam", "confidence": "HIGH", "evidence_snippet": "Steam y el logotipo de Steam son marcas comerciales y/o marcas comerciales registradas de Valve Corporation en los Estados Unidos y/u otros países". } ], "graph_neighborhood": [ { " related_entity": "Steam Deck", "relationship_to_target": "Producto desarrollado por la entidad objetivo (Valve) en asociación con AMD.", "evidence_snippet": "Recientemente también nos asociamos con Valve para crear una APU personalizada optimizada para juegos portátiles para alimentar Steam Deck™". }, { " related_entity ": "Semi-Custom", "relationship_to_target": "Segmento comercial bajo el cual se clasifica la asociación entre AMD y Valve.", "evidence_snippet": "Aprovechamos nuestra propiedad intelectual principal, incluidos nuestros gráficos y tecnologías de procesamiento, para desarrollar soluciones semi-personalizadas". } ], "summary": "La entidad 'Valve' (y su nombre completo 'Valve Corporation') está presente en la evidencia de 2021. Se identifica como socio de AMD en el segmento comercial 'Semi-Custom', específicamente en lo que respecta al desarrollo de una APU personalizada para el producto 'Steam Deck'. La evidencia también confirma la propiedad de Valve de la marca 'Steam'.", "sources": [ "AMD_2021_10K > The Enterprise, Mercados integrados y semipersonalizados", "AMD_2021_10K > Información adicional" ] }
Localización Semántica – 1 (La Prueba “Pensando”)
Aquí es donde realmente brilla la arquitectura. Le pedimos al canal que conciliara “Pensando Systems” (una empresa que AMD adquirió en 2022) con el corpus 2020-2021. Como era de esperar, identificó correctamente que se trata de un nuevo nodo que aún no está presente en el gráfico. Pero lo más importante es que, basándose en el perfil de la entidad de Pensando, identificó entidades de los documentos de AMD: centro de datos, redes y AMD con las que probablemente esté relacionado Pensando. Esto localiza la vecindad del gráfico para la búsqueda, agilizando así la ingesta. Aquí está la consulta y la respuesta:
Consulta: Pensando Systems, Inc. fue adquirida por AMD en mayo de 2022 por aproximadamente 1.900 millones de dólares. Con esta adquisición, AMD ofrece DPU de alto rendimiento y soluciones de centro de datos de próxima generación. Las DPU AMD Pensando son programables P4 y están diseñadas para ayudar a descargar los servicios de infraestructura del centro de datos desde la CPU. Junto con una pila de software integral, ayudan a que los clientes empresariales y de la nube optimicen el rendimiento de los servicios de red, almacenamiento y seguridad a escala de la nube. Las DPU están diseñadas para minimizar la latencia, la fluctuación y el impacto de la energía, y pueden ayudar a los grandes proveedores de nube de infraestructura como servicio (IaaS) a mejorar el rendimiento de las cargas de trabajo alojadas virtualizadas y bare-metal. Las DPU alimentan el conmutador de red superior del rack Aruba CX 10000. { "entity_name": "Pensando Systems", "candidate_matches":[], "relaciones_candidato":[], "graph_neighborhood": [ { " related_entity": "Centro de datos", "relationship_to_target": "La entidad objetivo (Pensando Systems) proporciona DPU diseñadas para descargar servicios de infraestructura de la CPU en este entorno.", "evidence_snippet": "Los centros de datos actuales requieren nuevas tecnologías y modelos de configuración para satisfacer la demanda impulsada por la creciente cantidad de datos que deben almacenarse, accederse, analizarse y administrarse". }, { " related_entity ": "Networking", "relationship_to_target": "La entidad objetivo se especializa en servicios de red; esta es un área de enfoque clave para los productos integrados de AMD.", "evidence_snippet": "Los productos integrados abordan las necesidades informáticas en telecomunicaciones, redes, seguridad, sistemas de almacenamiento y clientes ligeros de clase empresarial" }, { " related_entity": "AMD", "relationship_to_target": "AMD es la empresa matriz que adquirió la entidad objetivo en 2022.", "evidence_snippet": "Advanced Micro Devices, Inc. (AMD) se constituyó conforme a las leyes de Delaware el 1 de mayo de 1969" }, { " related_entity": "Infraestructura como servicio (IaaS)", "relationship_to_target": "Las DPU de la entidad objetivo están diseñadas para mejorar el rendimiento de los proveedores de nube IaaS.", "evidence_snippet": "Los servidores también se utilizan en la computación en la nube, que es un modelo informático donde los datos, las aplicaciones y los servicios se entregan a través de Internet o una intranet" } ], "summary": "Pensando Systems no aparece en la evidencia de 2020-2021, lo que es consistente con el hecho de que la adquisición ocurrió en 2022. El vecindario del gráfico confirma que AMD ya había invertido mucho en el sector 'Enterprise, Embedded y Semi-Custom' mercados, centrándose específicamente en redes, seguridad e infraestructura de centros de datos, lo que se alinea con el fundamento estratégico para la posterior adquisición de Pensando Systems".[]}
Localización semántica – 2 (La prueba de la “familia de productos”)
Cuando se le preguntó acerca de la “Serie AMD EPYC 9004”, el canal dedujo correctamente que, aunque no está presente en el gráfico, es parte de la serie de productos “Serie AMD EPYC” y su predecesor “Serie AMD EPYC 7003”, impulsado por la arquitectura “Zen 3”, probablemente esté presente dentro de la cartera de “Centro de datos”. Esto simplifica enormemente encontrar al menos una de estas entidades en el gráfico existente y agregar el nuevo nodo allí. Aquí está la consulta y la respuesta:
Consulta: Los procesadores AMD EPYC serie 9004 son parte de la cartera de informática para centros de datos de AMD, incluidos en la serie AMD EPYC junto con la serie AMD EPYC 7003 y la serie AMD EPYC 7002. Los procesadores AMD EPYC serie 9004 de cuarta generación se basan en el núcleo "Zen 4" y están diseñados para ofrecer rendimiento líder y eficiencia energética en múltiples segmentos de mercado y cargas de trabajo. Aparecen en el segmento de centros de datos, que incluye principalmente CPU de servidor, GPU, DPU, FPGA y productos SoC adaptables. El segmento de centros de datos aprovecha la tecnología para abordar las necesidades de procesamiento de datos visuales y computacionales, donde diferentes combinaciones de CPU, GPU, DPU, FPGA y SoC adaptables permiten la optimización del rendimiento y la potencia para un conjunto diverso de cargas de trabajo. { "entity_name": "Serie AMD EPYC 9004", "candidate_matches":[], "relaciones_candidato":[], "graph_neighborhood": [ { " related_entity": "AMD EPYC Series", "relationship_to_target": "La entidad objetivo es miembro de esta serie de productos.", "evidence_snippet": "Nuestros microprocesadores para plataformas de servidor actualmente incluyen los procesadores AMD EPYC™ Series". }, { " related_entity": "AMD EPYC 7003 Series", "relationship_to_target": "La entidad objetivo es la sucesora de esta línea de productos.", "evidence_snippet": "Lanzamos nuestros procesadores AMD EPYC de tercera generación, las CPU AMD EPYC serie 7003, en marzo de 2021". }, { " related_entity": "Zen 3", "relationship_to_target": "La entidad objetivo utiliza Zen 4, mientras que la evidencia destaca la arquitectura predecesora Zen 3.", "evidence_snippet": "Nuestros nuevos procesadores AMD EPYC serie 7003 funcionan con nuestra arquitectura central “Zen 3”" }, { " related_entity": "Centro de datos", "relationship_to_target": "La entidad objetivo es parte del Portafolio de computación de centros de datos.", "evidence_snippet": "Aprovechamos nuestra tecnología para abordar las necesidades de procesamiento de datos visuales y computacionales en el mercado de centros de datos, donde diseñamos CPU, GPU y software para HPC, juegos en la nube y clientes empresariales y de nube". } ], "summary": "La 'Serie AMD EPYC 9004' no aparece en la evidencia 2020-2021, lo cual se espera ya que la serie se publicó después de este período. El corpus de evidencia contiene la 'Serie AMD EPYC' y la 'Serie AMD EPYC 7003' (3.ª generación), que sirven como predecesores inmediatos y el contexto de familia de productos relevante para la entidad de destino.", "sources":[]}
Conclusión
A medida que los gráficos de conocimiento empresarial crecen hasta alcanzar cientos de millones de nodos, la conciliación se convierte cada vez más en el cuello de botella de ingesta dominante. Determinar si una entidad ya existe, con qué nombre y en qué contexto operativo a menudo requiere una costosa exploración de gráficos globales a través de relaciones fragmentadas y semántica inconsistente.
Proxy-Pointer aborda este problema de manera diferente.
En lugar de forzar al gráfico a realizar una reconstrucción semántica a gran escala a partir de nodos y bordes aislados, recupera evidencia contextual intacta directamente de documentos históricos, donde las entidades, las relaciones, los roles comerciales y el contexto del ecosistema coexisten naturalmente.
De hecho, Proxy-Pointer traslada gran parte de la carga de conciliación del Gráfico de conocimiento a una canalización de recuperación de vectores significativamente más rápida y económica. El gráfico ya no tiene que inferir primero el significado globalmente. Puede centrarse en lo que mejor sabe hacer: transversalidad estructural localizada, persistencia y gobernanza.
Proxy-Pointer no reemplaza el Gráfico de conocimiento. Ayuda al gráfico a comprender dónde buscar.
Lectura adicional
Si bien la conciliación de entidades y relaciones en los gráficos de conocimiento es un problema persistente en la industria, el canal anterior es una adaptación técnica relativamente sencilla del canal Proxy-Pointer, disponible como código abierto en el repositorio de Proxy-Pointer Github. Sin embargo, Proxy-Pointer es capaz de hacer mucho más. Lea cómo puede resolver uno de los casos de uso más complejos con aplicaciones en todas las industrias. Que es una comparación contextual de dominio eficaz de documentos empresariales complejos, como contratos y trabajos de investigación, utilizando una implementación de varios pasos de la arquitectura original. El artículo está en Proxy-Pointer RAG: Comparación de documentos según la estructura a escala empresarial.
Conéctese conmigo y comparta sus comentarios en www.linkedin.com/in/partha-sarkar-lets-talk-AI
Todos los documentos utilizados en este punto de referencia están disponibles públicamente en presentaciones 10-K en SEC.gov. El código y los resultados de las pruebas comparativas son de código abierto bajo la licencia MIT. Las imágenes utilizadas en este artículo se generan con Google Gemini.