VIK AI - Privacy-First Financial GraphRAG

Enterprise-grade financial intelligence system powered by knowledge graphs.

🚀 Quick Start

# 1. Install dependencies
pip install -r requirements.txt

# 2. Start Neo4j (Docker)
docker run -d \
  --name neo4j \
  -p 7474:7474 -p 7687:7687 \
  -e NEO4J_AUTH=neo4j/password \
  neo4j:latest

# 3. Configure environment
cp .env.backup .env
# Edit .env with your settings

# 4. Start services
./start.sh

Visit: http://localhost:8501

✨ Features

• Privacy-First: Offline processing with local LLMs (Ollama)
• Graph Intelligence: Neo4j-powered knowledge graph
• Multi-Hop Reasoning: 2-3 hop logical inference for hidden insights
• Data Integration: Merge PDF + CSV + JSON into unified knowledge graph
• Multi-Agent: Collaborative AI agents for deep analysis
• 8GB RAM Optimized: Efficient memory management
• Real-time Analysis: Fast query processing with caching
• Path Visualization: Interactive reasoning path display

📦 Architecture

src/
├── agents/          # Multi-agent system (Analyst, Planner, Writer)
├── engine/          # Graph processing engine
│   ├── extractor.py       # Entity/Relationship extraction
│   ├── translator.py      # JSON → Cypher
│   ├── integrator.py      # PDF + CSV + JSON integration
│   ├── reasoner.py        # Multi-hop reasoning engine
│   ├── graphrag_engine.py # Core engine
│   └── privacy_graph_builder.py # Privacy-optimized builder
├── db/              # Neo4j integration
├── mcp/             # External tool integration
├── streamlit_app.py # Web UI
└── reasoning_ui.py  # Multi-hop reasoning UI

🔧 Configuration

Key environment variables in .env:

# Mode
RUN_MODE=API              # API (OpenAI) or LOCAL (Ollama)
PRIVACY_MODE=true         # Enable privacy-first mode

# OpenAI
OPENAI_API_KEY=sk-...

# Neo4j
NEO4J_URI=bolt://localhost:7687
NEO4J_PASSWORD=password

# Ollama (for Privacy Mode)
OLLAMA_BASE_URL=http://localhost:11434

📊 Usage

PDF Analysis

1. Go to "Data Ingestion" tab
2. Upload PDF document
3. System extracts entities and builds knowledge graph

Query Interface

1. Go to "Query Interface" tab
2. Ask questions about your data
3. Get citation-backed answers with confidence scores

Advanced Settings

• Temperature: Control creativity (0.0-2.0)
• Retrieval Chunks: Number of context chunks (5-50)
• Web Search: Enable real-time web data
• Multi-Agent: Use collaborative AI pipeline

🛠️ Development

# Run tests
python -m pytest tests/

# Check lints
python -m flake8 src/

# Format code
python -m black src/

📝 License

MIT License - See LICENSE file for details

🕸️ Graph Visualization

실시간 그래프 시각화

메인 Streamlit UI의 "🕸️ Graph Visualizer" 탭에서 바로 사용 가능합니다!

./start.sh
# 또는
streamlit run src/streamlit_app.py --server.port 8501

Visit: http://localhost:8501 → Graph Visualizer 탭

기능

• All Nodes: 전체 그래프 보기
• Company Focus: 특정 기업 중심 네트워크
• Risk Analysis: 리스크 관계 시각화
• Custom Query: Cypher 쿼리 직접 입력

색상 구분

• 🔴 Company (기업)
• 🔵 Country (국가)
• 🟢 Industry (산업)
• 🟠 MacroIndicator (거시경제)
• 🟣 FinancialMetric (재무지표)

인터랙티브 기능

• 노드 드래그로 위치 조정
• 클릭으로 연결된 노드 확인
• 줌/팬으로 그래프 탐색
• 물리 시뮬레이션으로 자동 배치
• 실시간 노드 검색 및 필터링

---

🧠 Multi-Hop Reasoning System

통합된 인터페이스

모든 기능이 하나의 Streamlit 앱 (Port 8501) 에 통합되었습니다!

./start.sh

Visit: http://localhost:8501

탭 구조:

• 📊 Query Interface: 질문 & 답변
• 📥 Data Ingestion: PDF 업로드 & 인덱싱
• 📁 Data Sources: 데이터 소스 관리
• 🕸️ Graph Visualizer: 지식 그래프 시각화

핵심 기능

1. 데이터 통합 (Data Integration)

• PDF + CSV + JSON 통합 인덱싱
• 엔티티 자동 병합 (예: 'NVDA' → 'Nvidia')
• 지표 데이터 연결

2. 멀티홉 추론 (Multi-Hop Reasoning)

• 2-3 hop 논리적 추론 체인
• A → B → C → D 인과관계 분석
• 숨겨진 리스크 발견

3. 추론 경로 시각화

• 인터랙티브 경로 그래프
• 노드 및 관계 상세 정보
• 신뢰도 기반 색상 코딩

사용 예시

# 질문: "How does Taiwan tension affect Nvidia?"

# 추론 결과:
💡 Because Nvidia depends on TSMC (high criticality), 
   and TSMC is located in Taiwan, and Taiwan faces 
   geopolitical tension, therefore Nvidia is exposed 
   to significant supply chain disruption risk.

📊 Confidence: 85%

🔗 Reasoning Path:
   Taiwan Strait Tension → Taiwan → TSMC → Nvidia

고급 사용법

자세한 내용은 Multi-Hop Reasoning Guide 참조

API 사용

import asyncio
from engine.reasoner import MultiHopReasoner

async def analyze():
    reasoner = MultiHopReasoner()
    result = await reasoner.reason(
        question="Nvidia의 공급망 리스크는?",
        max_hops=3
    )
    print(result['inference'])
    reasoner.close()

asyncio.run(analyze())

---

🧪 Testing

멀티홉 시스템 테스트

python test_multihop_system.py

테스트 항목:

1. ✅ Entity Resolver - 엔티티 이름 정규화
2. ✅ Data Integrator - CSV/JSON 통합
3. ✅ Multi-Hop Reasoner - 추론 엔진
4. ✅ End-to-End - 전체 워크플로우