⚠️ KMI waarschuwing: Onweer in België Laatste update van KMI waarschuwingen voor België. KMI ↗ Kaart ↗ Artikel →
← Terug
Nieuw GraphRAG-systeem 'Lightfoot' optimaliseert documentverwijdering en efficiëntie

Nieuw GraphRAG-systeem 'Lightfoot' optimaliseert documentverwijdering en efficiëntie

Onderzoekers hebben Lightfoot ontwikkeld, een nieuw systeem voor Graph Retrieval-Augmented Generation (GraphRAG) dat complexe vragen effectiever beantwoordt en het verwijderen van documenten uit de index aanzienlijk versnelt.

Binnen de wereld van kunstmatige intelligentie wordt GraphRAG vaak ingezet om 'multi-hop' vragen te beantwoorden, waarbij informatie uit verschillende bronnen moet worden gecombineerd. Hoewel deze systemen krachtig zijn, kampen ze in de praktijk vaak met hoge kosten door frequente modelaanroepen tijdens het opvragen van gegevens, tijdrovende indexering en moeizame processen bij het correct verwijderen van verouderde documenten. Volgens een recent onderzoekspapier op arxiv.org biedt het nieuwe systeem Lightfoot een oplossing voor deze operationele knelpunten.

Model-vrije documentverwijdering

Een van de meest prominente kenmerken van Lightfoot is de manier waarop het omgaat met het verwijderen van gegevens. In veel bestaande systemen vereist het wissen van een document complexe processen of nieuwe modelaanroepen. Lightfoot benadert dit echter als een eenvoudige database-transactie zonder tussenkomst van een taalmodel.

De effectiviteit hiervan is aangetoond in een test met een corpus van 11.402 passages. Het verwijderen van 10% van deze data nam slechts 14 seconden in beslag. Na deze actie was de grafiek identiek aan een volledig nieuwe index van de overgebleven documenten. Ter vergelijking: een alternatief systeem genaamd LightRAG had voor een vergelijkbare actie 2.187 modelaanroepen nodig en een tijd van 3,7 uur, terwijl het systeem 'fast-graphrag' volgens de auteurs van helemaal geen documenten kan verwijderen.

Prestaties en nauwkeurigheid

Lightfoot is ontworpen waarbij elke entiteit, link en feit een deterministische functie is van extracties per passage. Dit zorgt ervoor dat het systeem exact blijft, zelfs bij corpora met bijna identieke namen. In een vergelijking met HippoRAG 2 bleek dat dat laatste systeem 565 minder randen (edges) behield dan bij een volledige herbouw, terwijl Lightfoot exact bleef.

Bij het testen op diverse datasets, waaronder MuSiQue, 2WikiMultiHopQA en HotpotQA, bleek Lightfoot competitief. Specifiek op de MuSiQue-dataset scoorde het systeem beter op recall@5 en recall@10, met een stijging van respectievelijk 4,8 en 5,5 punten. Op 2WikiMultiHopQA was er een verbetering van 3,4 punten bij recall@10. De onderzoekers merken op dat het starten van de zoektocht ('seeding the walk') vanaf entiteiten die in de vraag worden genoemd, grotendeels verantwoordelijk is voor de winst op 2WikiMultiHopQA, zoals beschreven in de publicatie op .

Kosten en schaalbaarheid

Naast de snelheid van verwijdering is Lightfoot ook kostenefficiënter tijdens de opbouwfase. De index van Lightfoot is 26% tot 31% goedkoper om te bouwen dan die van HippoRAG 2. Bovendien maakt het systeem tijdens het ophalen van informatie (retrieval) geen gebruik van taalmodel-aanroepen, wat de latentie en kosten bij query's verlaagt.

De resultaten bleven consistent bij het gebruik van verschillende grotere embedding-modellen, tot en met Qwen3-Embedding-8B. De winst in prestaties komt niet voort uit de reranker; bij gebruik van dezelfde cross-encoder bleek 'dense retrieval' aanzienlijk achter te lopen op Lightfoot, met verschillen van 9,3 en 17,8 punten op de twee multi-hop datasets.

Het onderzoek naar Lightfoot, geschreven door Uday Allu van Yellow.ai, is in november 2026 gepubliceerd en beschikbaar gesteld via . De focus ligt hierbij op het overbruggen van de kloof tussen theoretische research en de praktische kosten van systemen in productie.

Geraadpleegde bronnen
Waardering
0
Stem mee op dit artikel
Discussie
Nog geen reacties. Wees de eerste!