EY تضيف الرسوم المعرفية إلى إطار RAG المؤسسي
ذكرت SiliconANGLE أن EY طورت إطار RAG متعدد الوسائط يسترجع النصوص والصور والرسوم والمخططات عبر فهارس منفصلة ورسم معرفي، بينما لم تنشر الورقة البيضاء نتائج مقارنة معيارية.
طورت EY إطارا متعدد الوسائط لتقنية retrieval-augmented generation في أنظمة الذكاء الاصطناعي المؤسسية، بحسب SiliconANGLE، مع فهرسة النصوص والمحتوى البصري بشكل منفصل قبل أن يعيد الرسم المعرفي وصل الأدلة المرتبطة.
ذكر التقرير أن EY، وهي الاسم التجاري لـ Ernst & Young LLP، تحاول معالجة حد شائع في RAG: كثير من سجلات الشركات تضع معلومات مهمة في الرسوم البيانية والجداول والمخططات الهندسية والمعادلات والصور بدلا من النصوص العادية. يغير الإطار طريقة تجهيز المواد وفهرستها وربطها وتقديمها إلى نموذج لغوي وقت الاستدلال، ولا يغير النموذج نفسه.
إطار EY يفصل النصوص والرسوم التوضيحية
قال Dipanjan Sengupta، وهو تقني مميز وقائد هندسة الذكاء الاصطناعي في EY Global Delivery Services Consulting، لـ SiliconANGLE إن RAG يعمل جيدا مع المحتوى النصي، بينما تحتفظ صناعات كثيرة أيضا بمعلومات حاسمة في صيغ بصرية. واستشهد المصدر بالرسوم الهندسية الصناعية ورسوم علوم الحياة كأمثلة على معلومات قد تفوتها أنظمة الاسترجاع التي تركز أساسا على النص.
يبدأ الإطار بمسارات إدخال منفصلة. تقسم النصوص وتثرى عبر استخراج الكلمات المفتاحية وحل الكيانات المسماة، بينما تحصل الرسوم التوضيحية على بيانات وصفية من التسميات التوضيحية والنصوص القريبة وتحليل صناديق الإحاطة والتعرف البصري على الحروف وأوصاف يولدها نموذج لغوي.
ثم تخزن النصوص والرسوم التوضيحية في فهارس متجهية منفصلة. كما يصبح كل عنصر محتوى عقدة في رسم معرفي، مع علاقات موزونة تصل المقاطع والرسوم ذات الصلة.
الورقة البيضاء تسرد ثلاث طرق لبناء العلاقات
تصف الورقة البيضاء من EY المطابقة الحتمية للكلمات المفتاحية، والتشابه الدلالي القائم على embeddings، والاستدلال القائم على التعلم الآلي للارتباطات الضمنية، بوصفها الطرق الثلاث لبناء العلاقات داخل الرسم. وتستخدم عملية gleaning للبحث عن الروابط المفقودة وحل الكيانات الملتبسة وتحديد المعلومات ذات الصلة عبر الوثائق.
تجري عملية الاسترجاع على مراحل. يبدأ النظام ببحث تشابه داخل الفهرس الخاص بالوسيط المطلوب، ثم يستخدم المعرفات الناتجة للتنقل بين عقد الرسم المجاورة. وذكرت SiliconANGLE أن البحث يمكن أن يبقى محليا أو يتوسع إلى مجتمعات داخل الرسم أو يجمع بين النهجين قبل أن يرتب معيد تصنيف متعدد الوسائط الأدلة لإدخالها في موجه LLM.
يفترض أن يختلف الضبط حسب حالة الاستخدام. فقد يفضل تطبيق امتثال استرجاعا حتميا أضيق، بينما قد يحتاج تطبيق بحثي إلى استكشاف دلالي أوسع. وتقول EY إن طرق التقسيم ونماذج embeddings وأساليب بناء العلاقات واستراتيجيات إعادة الترتيب ونطاق الاسترجاع يجب أن تكون قابلة للضبط لا ثابتة داخل الكود.
وكلاء الذكاء الاصطناعي ما زالوا يحتاجون إلى أدلة معيارية
ربط Sengupta المنهج بوكلاء الذكاء الاصطناعي في المؤسسات، قائلا لـ SiliconANGLE إن الوكلاء يحتاجون إلى معلومات حديثة وخاصة بالمجال لاتخاذ قرارات واختيار إجراءات. ورفض أيضا فكرة أن نوافذ السياق الأكبر في النماذج تلغي الحاجة إلى RAG، معتبرا أن السياق الواسع لا يجد وحده الدليل الأكثر صلة.
تبقى حدود المصدر مهمة لأن الدليل يأتي من بحث EY وخبرتها مع العملاء لا من معيار مستقل. ووصفت SiliconANGLE الورقة بوصفها مقترحا لأنظمة RAG مؤسسية تبقي الأدلة المسترجعة أكثر شفافية ومرتبطة بسياق المجال، لكن EY لم تنشر معايير مقارنة أو مكاسب دقة كمية أو عمليات نشر مسماة لدى عملاء أو نتائج تحقق من طرف ثالث.
Summary version for Medium
EY Adds Knowledge Graphs To Enterprise RAG Framework
What the announcement means beyond the headline
Quick Summary: SiliconANGLE reported that EY has developed a multimodal RAG framework that retrieves text, images, charts and diagrams through separate indexes and a knowledge graph, while the white paper did not publish comparative benchmark results.
EY Framework Separates Text And Illustrations
Dipanjan Sengupta, a consulting technologist at EY Global Delivery Services, said RAG works well for textual content, while many industries also keep critical information in illustrative formats. Industrial engineering drawings and life-sciences graphs are examples of information that can be missed when retrieval systems focus mainly on text.
White Paper Lists Three Relationship Methods
The white paper describes deterministic keyword matching, semantic similarity based on embeddings, and machine-learning inference for implicit associations as the three ways to build relationships across the graph.
- Point 1: The central topic is ai, with the announcement framed around concrete operating detail.
- Point 2: A gleaning process is used to find missing links, resolve ambiguous entities, and identify related information across documents.
The important shift is not the AI label, but the operating boundary it creates for teams.
AI Agents Still Need Benchmark Evidence
Sengupta connected the method to enterprise AI agents, saying agents need current, domain-specific information to make decisions and select actions. He also rejected the idea that larger model context windows remove the need for RAG, arguing that broad context does not by itself find the most relevant evidence.
Read the Full Deep Dive
Want to explore the complete technical analysis, enterprise trade-offs, and detailed metrics?
Read the full article originally published at SendTech Times
