Melampaui Pencarian Semantik

Ringkasan & metadata

Sesi ini membahas bagaimana Graph RAG — perpaduan knowledge graph dengan Retrieval-Augmented Generation — membantu menjawab pertanyaan hukum yang kompleks, melampaui apa yang bisa dilakukan pencarian semantik biasa. Pembicaranya adalah Gani.ai, sebuah legaltech asal Indonesia yang membangun asisten riset dan analisis hukum, berbagi pengalaman nyata memakai Amazon Neptune sebagai basis data graf.

Pencarian semantik (berbasis vektor) hebat untuk menemukan teks yang maknanya mirip. Tetapi hukum bukan sekadar teks yang mirip — ia adalah jaringan hubungan: satu undang-undang punya banyak pasal, satu pasal diuji oleh banyak putusan pengadilan, satu putusan menjadi preseden bagi perkara lain, dan sebuah aturan bisa mencabut atau mengubah aturan sebelumnya. Menjawab pertanyaan hukum yang serius berarti menelusuri relasi-relasi itu, bukan hanya mencocokkan kata. Di sinilah pencarian vektor murni sering kehilangan konteks, dan graf menutupi celah tersebut.

Kenapa penting untuk Anda? Jika Anda membangun asisten AI untuk domain yang penuh aturan dan keterkaitan — hukum, kepatuhan, medis, atau teknis — sesi ini menunjukkan mengapa "sekadar RAG vektor" sering tak cukup, dan bagaimana graf melengkapinya.

Apa itu Graph RAG

Ingat dulu cara kerja RAG biasa: ketika pengguna bertanya, sistem mengubah pertanyaan menjadi vektor (deretan angka yang mewakili makna), lalu mencari potongan dokumen yang vektornya paling mirip, dan menyerahkannya ke LLM sebagai bahan menjawab. Cara ini cepat dan berguna, tetapi ia memperlakukan setiap potongan dokumen seolah berdiri sendiri — relasi antar entitas hilang. Ia tahu dua paragraf "terdengar mirip", tetapi tidak tahu bahwa pasal A dicabut oleh UU B, atau bahwa putusan C menafsirkan pasal A.

Graph RAG menambahkan satu lapisan pengetahuan: sebuah knowledge graph yang secara eksplisit menyimpan entitas (undang-undang, pasal, putusan, pihak, konsep hukum) sebagai simpul (node), dan hubungan di antara mereka (mengatur, menafsirkan, mencabut, menjadi preseden) sebagai sisi (edge). Saat menjawab, sistem tidak hanya mengambil dokumen yang mirip, tetapi juga menelusuri graf untuk mengumpulkan konteks yang berelasi — lalu memberikan gabungan itu kepada LLM. Hasilnya: jawaban yang menyadari keterkaitan, bukan sekadar kemiripan kata.

Komponen utama

Berikut komponen yang berperan dalam sebuah sistem Graph RAG seperti yang dibahas di sesi, dengan fungsi ringkasnya:

Komponen-komponen ini bekerja berpasangan, bukan saling menggantikan. Vektor/Embedding menemukan pintu masuk yang relevan secara makna; Knowledge Graph di Amazon Neptune menelusuri relasi di sekitarnya; RAG menyatukan keduanya sebagai konteks; LLM merangkainya menjadi jawaban; dan Observability memastikan setiap klaim dapat dirunut kembali ke sumber pasal atau putusan aslinya — penting sekali di ranah hukum.

Mesin cari kata kunci vs peta hubungan

Ibaratnya, pencarian semantik biasa adalah mesin pencari kata kunci yang sangat pandai: Anda ketik "ganti rugi wanprestasi", ia menemukan semua dokumen yang membicarakan hal serupa. Berguna — tetapi ia hanya menumpuk dokumen yang kedengarannya mirip di meja Anda, tanpa tahu bahwa satu di antaranya sudah dibatalkan putusan terbaru.

Graph RAG ibarat pengacara senior yang berpengalaman. Ketika ditanya, ia tidak hanya mengingat teks pasal — ia langsung mengaitkan: "pasal ini diatur UU itu, tapi tafsirnya diubah putusan MA tahun sekian, dan menjadi preseden bagi perkara serupa." Ia memegang peta hubungan di kepalanya. Knowledge graph adalah peta itu, dibuat eksplisit dan bisa ditelusuri mesin: bukan sekadar tahu kata mana yang mirip, tapi tahu pasal ini terkait putusan itu.

High-Level Architecture (HLA)

Secara garis besar, sebuah aplikasi Graph RAG untuk hukum tersusun seperti ini: pertanyaan pengguna masuk ke lapisan orkestrasi (RAG), yang melakukan dua hal berbarengan — mencari potongan dokumen relevan lewat pencarian vektor, dan menelusuri relasi entitas di knowledge graph pada Amazon Neptune. Kedua hasil digabung menjadi konteks yang kaya, lalu diserahkan ke LLM (Amazon Bedrock) untuk merangkai jawaban, sementara Observability mencatat sumber tiap klaim.

Alur kerja satu kueri

Ketika seorang paralegal bertanya "apakah pasal X masih berlaku dan bagaimana pengadilan menafsirkannya?", inilah yang terjadi di balik layar:

1. Terima kueri. Pertanyaan masuk ke lapisan orkestrasi dan dipahami maksudnya.
2. Cari yang mirip. Pencarian vektor menemukan potongan dokumen yang maknanya relevan dengan pertanyaan.
3. Telusuri graf. Di Amazon Neptune, sistem menelusuri simpul "pasal X" dan mengikuti sisi-sisinya: UU yang mengaturnya, putusan yang menafsirkannya, aturan yang mencabutnya.
4. Gabung konteks. Dokumen mirip + konteks berelasi dari graf disatukan menjadi bahan yang kaya dan akurat.
5. Rangkai jawaban. LLM menyusun jawaban berdasar konteks berelasi, lengkap dengan rujukan pasal & putusan.
6. Rekam sumber. Setiap klaim ditautkan ke sumbernya agar bisa diverifikasi manusia.

Contoh nyata (konteks Indonesia)

Agar tidak berhenti di teori, berikut tiga skenario penerapan Graph RAG lintas kebutuhan yang khas di Indonesia.

Catatan penting: keluaran sistem seperti ini adalah alat bantu riset, bukan nasihat hukum (maupun nasihat medis). Verifikasi manusia yang kompeten tetap wajib sebelum jawaban dijadikan dasar keputusan.

Ringkasan visual

Enam kartu berikut merangkum inti sesi. Gunakan tombol atau tombol panah keyboard (← →) untuk berpindah.

Poin yang bisa dibawa pulang

• Pencarian semantik ≠ pemahaman relasi. Vektor menemukan yang mirip; ia tak menangkap hubungan antar pasal, putusan, dan preseden.
• Graph RAG memadukan keduanya. Knowledge graph menyimpan relasi secara eksplisit; digabung dengan RAG, LLM menjawab berdasar konteks berelasi.
• Amazon Neptune menyediakan basis data graf terkelola untuk menyimpan dan menelusuri keterkaitan hukum dalam skala besar.
• Pola ini melampaui hukum. Kepatuhan, medis, dan basis pengetahuan teknis yang berelasi mendapat manfaat serupa.
• Tetap butuh verifikasi manusia. Keluaran adalah alat bantu riset, bukan nasihat hukum.