Специалисты Корейского института передовых технологий (KAIST) в партнерстве с GraphAI анонсировали передовую архитектуру AkasicDB. Эта разработка стирает границы между тремя фундаментальными типами баз данных, позволяя корпоративным ИИ-агентам оперировать контекстом, сложными взаимосвязями и строгими структурированными данными внутри единой среды.
Главная цель проекта — борьба с «галлюцинациями» нейросетей, когда модели генерируют убедительные, но ложные сведения. В бизнес-среде это становится критическим барьером, так как корпоративные данные фрагментированы: часть хранится в документах, часть — в таблицах, а важные закономерности скрыты в связях между объектами. Стандартные инструменты зачастую не способны синтезировать эту информацию в реальном времени.
Привычный метод Retrieval-Augmented Generation (RAG) полагается на векторный поиск по сходству, что отлично работает с неструктурированным текстом, но пасует перед задачами, требующими учета временных рамок, категориальной логики или многоуровневых иерархий.
Фундамент AkasicDB составляет конвергентное ядро: векторные возможности отвечают за семантическую глубину, графовые — за понимание связей между сущностями (персонами, активами, компаниями), а реляционные — за точность фильтрации по жестким параметрам.
На этой платформе реализован метод Omni RAG. Он позволяет формировать комплексные запросы, которые учитывают смысл, логические связи и структурные ограничения одновременно. Это устраняет необходимость «склеивать» данные на уровне приложения, что прежде неизбежно вызывало задержки и чрезмерное усложнение инфраструктуры.
Типичный кейс — анализ контрактных обязательств в связке с логистическими рисками за конкретный период. Если раньше для этого требовались серии разрозненных обращений к разным БД с последующей ручной агрегацией, то AkasicDB выполняет это в рамках единой транзакции SQL/GQL, оптимизируя исполнение и минимизируя передачу лишних данных.
Эффективность решения впечатляет: время выполнения тяжелых запросов сократилось с 21,3 секунды до менее чем 1 секунды, а показатель точности ответов повысился на 78% в сравнении с классическими RAG-архитектурами.
Разработчики убеждены, что AkasicDB радикально повышает надежность ИИ-агентов, делая их пригодными для высокоответственных отраслей: от финансового сектора и промышленного производства до наукоемких исследований и оборонной сферы.
Источник: iXBT
_large.jpg "Redmi Turbo 5: мощный процессор, аккумулятор 7540 мАч и защита IP69K за 400 долларов")
