Ik optimaliseer enterprise rag systemen met geavanceerde graphrag en neo4j

Naive vector-search RAG-architecturen falen bij multi-document cross-referencing, relationele tabellen en globale semantische aggregatie. Wanneer informatiechunks zonder structureel context worden opgehaald, genereren LLMs hallucinaties of gefragmenteerde outputs.

Ik reconstrueer defecte retrieval pipelines door geavanceerde hiërarchische indexing, hybride zoekmechanismen en expliciete knowledge graph mapping (GraphRAG) via Neo4j toe te passen.

Engineering Focus

• Knowledge Graph Extractie: Gebruik maken van modellen om ongestructureerde enterprise data te extraheren en te mappen naar deterministische entiteit-relatie grafieken binnen Neo4j voor multi-hop query routing.
• Context-behoudende Chunking: Structureren van content met parent-child tokenrelaties om de oorspronkelijke semantische continuïteit te behouden vóór het genereren van embeddings.
• Hybride Retrieval & Reranking: Interlocking van sparse keyword lagen (BM25) met dense vector lagen, geoptimaliseerd via Cohere/BGE rerankers voor nauwkeurige contextdichtheid.
• Multi-Modal Document Parsing: Bouwen van aangepaste pipeline middleware om data te extraheren, structureren en vectoriseren die is ingebed in complexe PDF-schema's en financiële tabellen.