Учёные из Кореи представили AkasicDB — единую базу данных, которая снижает «галлюцинации» ИИ до 78% и ускоряет обработку запросов в 20 раз

Учёные Корейского института передовых технологий (KAIST, Korea Advanced Institute of Science and Technology) совместно с исследовательской компанией GraphAI представили новую архитектуру хранения и обработки данных AkasicDB, которая объединяет в одной системе три ключевых типа баз данных — векторные, графовые и реляционные — и существенно повышает точность работы корпоративных ИИ-агентов.

Проблема, которую решает разработка, связана с «галлюцинациями» моделей искусственного интеллекта — ситуациями, когда языковые модели формируют правдоподобные, но фактически неверные ответы. В корпоративных системах это особенно критично, поскольку данные распределены между документами, таблицами и связями между объектами, и классические подходы не позволяют учитывать их одновременно.

Традиционная технология Retrieval-Augmented Generation (RAG) работает через преобразование текста в числовые векторы и поиск похожих документов, что эффективно для неструктурированной информации, но плохо справляется с задачами, где нужно одновременно учитывать временные условия, категории и связи между объектами.

Изображение сгенерировано: Nano Banana

AkasicDB устраняет это ограничение за счёт объединения трёх моделей данных в одном ядре: векторные базы обеспечивают семантический поиск, графовые — анализ связей между сущностями (например, компаниями, продуктами и людьми), а реляционные — работу со структурированными таблицами и фильтрами по параметрам.

На этой основе исследователи разработали метод Omni RAG, который позволяет выполнять сложные запросы в рамках единого вычислительного плана, одновременно учитывая смысл, связи и структурные ограничения. Это избавляет систему от необходимости собирать данные из разных баз и объединять их на уровне приложения, что раньше приводило к задержкам и усложнению архитектуры.

Пример такой задачи — поиск положений контрактов компании за определённый период и анализ их связи с проблемами поставок. Для её решения система должна одновременно выполнить семантический поиск по текстам, пройти по графу связей и отфильтровать данные по временным и типовым условиям. В традиционных системах это требует нескольких разрозненных запросов и последующей агрегации результатов.

AkasicDB выполняет такие операции как единый запрос SQL/GQL, оптимизируя его в одном плане выполнения и сокращая передачу промежуточных данных. Это снижает нагрузку на языковые модели и уменьшает задержки ответа.

По результатам тестов, сложные запросы, которые в существующих системах занимали до 21,3 секунды, обрабатывались менее чем за 1 секунду. Одновременно точность ответов выросла до 78% по сравнению с традиционными RAG-системами.

Авторы разработки отмечают, что такая архитектура снижает ключевую проблему внедрения ИИ-агентов в корпоративной среде — недостаточную надёжность ответов. По их оценке, технология может применяться в сферах с повышенными требованиями к точности данных, включая оборону, финансы, промышленность и науку.

©  iXBT