📰 Корейские учёные научили ИИ меньше врать: базу данных AkasicDB распилили на три части, но стало лучше

 📰 Корейские учёные научили ИИ меньше врать: базу данных AkasicDB распилили на три части, но стало лучше

Представь себе ситуацию: ты сидишь в офисе, пытаешься скормить корпоративному ИИ запрос вроде «найди мне все пункты контрактов с поставщиками за первый квартал, которые связаны с задержками поставок и имеют сумму выше десяти миллионов». И тут нейросеть вместо того, чтобы выдать структурированный ответ, начинает сочинять. Она придумывает липовые контракты, соединяет несуществующие связи и выдаёт тебе красивую, но абсолютно ложную картинку. Это — «галлюцинации» ИИ, и в корпоративном секторе это смертный приговор для любой автоматизации.

Учёные Корейского института передовых технологий (KAIST) совместно с компанией GraphAI, похоже, нашли способ прописать ИИ волшебную таблетку от этой болезни. Они представили новую архитектуру хранения и обработки данных под названием AkasicDB. Звучит как заклинание из фэнтези, но по сути это адский гибрид сразу трёх типов баз данных: векторных, графовых и реляционных. Они смешали их в одном ядре и получили то, что назвали Omni RAG.

Классическая технология RAG (Retrieval-Augmented Generation) работает просто: она превращает текст в векторы (числовые слепки смысла) и ищет похожие документы. Это отлично работает для статей или переписок, но когда нужно учесть ещё и временные условия, категории товаров или связи между конкретными людьми и компаниями — классика пасует. Система начинает гонять данные туда-сюда между разными базами, что приводит к диким задержкам и лавине ошибок.

[[MEDIA_BLOCK_0]]

AkasicDB решает эту проблему радикально. Представьте себе базу данных, которая одновременно понимает смысл текста (векторы), видит, кто на кого работает и какие компании связаны (графы), и при этом умеет работать с чёткими таблицами типа «дата подписания — сумма контракта» (реляционка). Всё это живёт в одном движке, и сложный запрос выполняется как единый SQL/GQL-команда. Никакой перегонки данных на уровне приложения — только чистый, быстрый и точный результат.

Пример из реальной жизни: нужно найти положения всех контрактов компании за второй квартал 2025 года и проанализировать их связь с проблемами поставок. Обычная система заставит ИИ сначала семантически искать текст, потом лезть в граф связей, потом фильтровать по датам — и всё это склеивать где-то в оперативной памяти. AkasicDB делает это одним запросом. Результаты тестов просто выносят мозг: то, что раньше занимало 21,3 секунды, теперь выполняется меньше, чем за 1 секунду. Точность ответов при этом подскочила до 78%.

Авторы разработки заявляют, что такая архитектура кардинально снижает ключевую проблему внедрения ИИ-агентов в корпоративной среде — недостаточную надёжность. Теперь эту технологию можно тащить туда, где ошибка стоит денег или жизней: в оборонку, финансы, промышленность и науку. Пока это выглядит как лабораторная игрушка, но если AkasicDB доберётся до реального продакшена — многие современные корпоративные «помощники» превратятся в тыкву.

🔗 Читать статью на сайте

📢 ТехноЛут