Vector Database dan Graph Database dalam Pengembangan RAG dan GraphRAG

Meskipun Large Language Models (LLMs) telah menunjukkan kemampuan luar biasa dalam memahami dan menghasilkan teks, model ini masih memiliki keterbatasan signifikan seperti hallucination, keterbatasan konteks, serta kurangnya pemahaman terhadap hubungan kompleks antar entitas. Dalam lingkungan enterprise, keterbatasan ini dapat berdampak pada ketidakakuratan jawaban, kesalahan pengambilan keputusan, dan rendahnya kepercayaan terhadap sistem AI.

Retrieval-Augmented Generation (RAG) hadir sebagai solusi dengan menggabungkan LLM dan sumber data eksternal. Namun, pendekatan RAG berbasis vector similarity search saja sering kali belum cukup untuk menangani relasi kompleks, reasoning multi-hop, serta kebutuhan eksplorasi data terstruktur. Di sinilah GraphRAG berperan — dengan memanfaatkan Knowledge Graph sebagai struktur data utama untuk meningkatkan akurasi, konsistensi, dan kemampuan reasoning sistem AI.

Course GraphRAG Fundamentals ini dirancang untuk membekali peserta dengan pemahaman mendalam tentang arsitektur RAG modern, strategi advanced vector retrieval, generasi query Cypher dari natural language, hingga implementasi Agentic RAG dan pembangunan knowledge graph menggunakan LLM. Peserta juga akan mempelajari pendekatan Microsoft GraphRAG serta teknik evaluasi untuk memastikan sistem RAG dapat digunakan secara production-ready dan terukur

OBJECTIVES

1. Memahami keterbatasan LLM dan bagaimana GraphRAG meningkatkan akurasi serta reasoning capability
2. Membangun arsitektur RAG berbasis vector search, hybrid search, dan knowledge graph
3. Mengimplementasikan Text2Cypher dan query language generation untuk graph-based retrieval
4. Mengembangkan Agentic RAG systems dengan multi-step reasoning dan graph integration
5. Mendesain dan mengevaluasi aplikasi RAG menggunakan benchmark dan metrik evaluasi yang tepat

AUDIENCE

1. AI Engineer
2. Data Scientist
3. Knowledge Engineer
4. Software Engineer

PREREQUISITES

Tidak ada training khusus yang dipersyaratkan

CONTENT

1. Improving LLM Accuracy

1.1 Introduction to LLMs
1.2 Limitation of LLMs
1.3 Overcoming the Limitations of LLMs
1.4 Knowledge Graphs as the Data Storage for RAG

2. Vector Similarity Search and Hybrid Search

2.1 Components of a RAG Architecture
2.2 RAG Using Vector Similarity Search
2.3 Adding Full-Text Search to the RAG Application to Enable Hybrid Search
2.4 Concluding Thoughts

3. Advanced Vector Retrieval Strategies

3.1 Step-Back Prompting
3.2 Parent Document Retriever
3.3 Complete RAG Pipeline

4. Generating Cypher Queries from Natural Language Questions

4.1 The Basics of Query Language Generation
4.2 Where Query Language Generation Fits in the RAG Pipeline
4.3 Useful Practices for Query Language Generation
4.4 Implementing a Text2cypher Generator Using a Base Model
4.5 Specialized (Finetuned) LLMs for Text2cypher
4.6 What Learned and What Text2cypher Enables

5. Agentic RAG

5.1 What is Agentic RAG
5.2 Why Need Agentic RAG
5.3 How to Implement Agentic RAG

6. Constructing Knowledge Graphs with LLMs

6.1 Extracting Structured Data from Text
6.2 Constructing the Graphs

7. Microsoft’s GraphRAG Implementation

7.1 Dataset Selection
7.2 Graph Indexing
7.3 Graph Retrievers

8. RAG Application Evaluation

8.1 Designing the Benchmark Dataset
8.2 Evaluation