En la actualidad, el razonamiento basado en grafos utilizando grandes modelos de lenguaje (LLMs) ha avanzado considerablemente, lo que ha hecho que la integración de conocimiento en el proceso sea cada vez más práctica. Sin embargo, los sistemas de preguntas y respuestas (QA) basados en grafos de conocimiento a menudo presentan problemas de eficiencia y transparencia. En muchos casos, las rutas simbólicas son evaluadas por codificadores neuronales o reordenadas varias veces mediante múltiples llamadas a LLM, lo que aumenta la latencia, el costo de GPU y dificulta la auditoría del proceso de decisión.
Es en este contexto donde entra en juego PathHD, un marco de trabajo sin codificador para el razonamiento en grafos de conocimiento que combina la computación hiperdimensional (HDC) con una única llamada a LLM por consulta. Este sistema representa las rutas de relación como hipervectores GHRR en bloque diagonal, recupera las rutas candidatas utilizando una similitud de coseno a nivel de bloque calibrada con poda Top-K, y luego realiza una adjudicación de LLM en un solo paso que produce la respuesta final junto con las rutas de soporte citables.
La implementación de PathHD se basa en tres componentes técnicos clave: un operador de unión no conmutativo sensible al orden para componer rutas de múltiples pasos, una calibración de similitud robusta que estabiliza la recuperación de hipervectores y una etapa de adjudicación que conserva la interpretabilidad a la vez que evita la puntuación de LLM por ruta. A través de evaluaciones en conjuntos de datos como WebQSP, CWQ y GrailQA, PathHD iguala o mejora los Hits@1 en comparación con líneas de base neuronales fuertes utilizando solo una llamada a LLM por consulta, reduce la latencia de extremo a extremo en un 40-60%, y disminuye la memoria de GPU en 3-5 veces debido a la recuperación sin codificador. Estos resultados sugieren que las representaciones de rutas HDC cuidadosamente diseñadas pueden servir como un sustrato efectivo para el razonamiento eficiente y fiel en grafos de conocimiento con LLM, logrando un sólido equilibrio entre precisión, eficiencia e interpretabilidad.
En Q2BSTUDIO nos especializamos en el desarrollo de aplicaciones a medida y software personalizado, utilizando tecnologías de vanguardia como inteligencia artificial para ofrecer soluciones innovadoras a nuestros clientes. Además, ofrecemos servicios en ciberseguridad, servicios cloud en plataformas como AWS y Azure, inteligencia de negocio con herramientas como Power BI, y automatización de procesos mediante agentes de IA desarrollados específicamente para empresas.
