Las bases de datos de grafos han revolucionado la gestión de datos complejos e interconectados en las organizaciones. No obstante, el uso de lenguajes de consulta especializados, como Gremlin, presenta un desafío para equipos que buscan extraer información de manera eficaz. A diferencia de las bases de datos relacionales con esquemas bien definidos, las bases de datos de grafos carecen de un esquema centralizado, lo que requiere una alta especialización técnica para efectuar consultas efectivas.
Para afrontar este reto, se ha ideado un enfoque innovador que convierte consultas en lenguaje natural a consultas Gremlin, utilizando modelos de Amazon Bedrock, como Amazon Nova Pro. Este avance permite que analistas de negocios, científicos de datos y usuarios no técnicos interactúen con bases de datos de grafos con facilidad.
El proceso de generación de consultas desde lenguaje natural se divide en tres pasos esenciales. El primero implica comprender y extraer el conocimiento del gráfico, incluyendo etiquetas de vértices, propiedades y conexiones, complementado por el conocimiento del dominio que aporta contexto adicional.
El segundo paso consiste en estructurar el gráfico, creando un esquema similar al proceso de conversión de texto a SQL, lo cual mejora la comprensión de las estructuras gráficas. Cada consulta pasa por un proceso de reconocimiento de entidades, enriquecimiento de contexto y planificación.
Finalmente, el tercer paso es la generación y ejecución de consultas Gremlin. Un modelo de lenguaje genera una consulta inicial que se ejecuta en un motor Gremlin; si hay errores, se aplican ajustes iterativos para mejorar la precisión y alineación de las consultas.
Un sistema de evaluación basado en modelos de lenguaje permite analizar la calidad de las consultas generadas y sus resultados de ejecución. A través de pruebas con 120 preguntas, este enfoque ha mostrado una precisión del 74.17% para diferenciar consultas correctas de incorrectas.
Los resultados apuntan a que Amazon Nova Pro supera a sus pares en términos de latencia y costos, generando consultas más rápido y a menor costo por token. En el futuro, se están desarrollando mejoras para optimizar la evaluación automática de resultados y gestionar de manera más efectiva consultas anidadas. Estas innovaciones buscan incrementar la fiabilidad y consistencia del sistema, facilitando el aprovechamiento de las bases de datos de grafos en aplicaciones empresariales diversas.
