Je vais optimiser les systèmes enterprise rag avec advanced graphrag et neo4j

Les architectures vector-search RAG naïves échouent sur la référence croisée multi-document, les tableaux relationnels et l’agrégation sémantique globale. Lorsque des morceaux d’informations sont récupérés sans contexte structurel, les LLMs génèrent des hallucinations ou des sorties fragmentées.

Je reconstruis des pipelines de récupération défectueux en mettant en œuvre un indexage hiérarchique avancé, des mécanismes de recherche hybrides et une cartographie explicite du knowledge graph (GraphRAG) via Neo4j.

Focus technique

• Extraction du knowledge graph : Utilisation de modèles pour extraire et mapper des données d’entreprise non structurées dans des graphes entité-relation déterministes dans Neo4j pour le routage de requêtes multi-sauts.
• Chunking préservant le contexte : Structuration du contenu avec des relations parent-enfant entre tokens pour maintenir la continuité sémantique originale avant la génération d’embeddings.
• Récupération hybride et reranking : Combinaison de couches de mots-clés sparse (BM25) avec des couches de vecteurs dense, optimisées via les rerankers Cohere/BGE pour une densité de contexte précise.
• Analyse multi-modale de documents : Création d’un middleware personnalisé pour extraire, structurer et vectoriser les données intégrées dans des schémas PDF complexes et des tableaux financiers.