في عالم أنظمة الذكاء الاصطناعي، أصبح من الواضح أن دمج المعرفة الخارجية مع نماذج اللغة الكبيرة (Large Language Models) يعد خطوة مهمة نحو تقديم إجابات دقيقة وموثوقة. وبالرغم من أن الأساليب الحالية مثل نظام “Retrieval-Augmented Generation” (RAG) قد أثبتت نجاحها في هذا المجال، إلا أنها كانت تعتمد على استرجاع عدد ثابت من الفقرات لكل سؤال، بغض النظر عن مستوى صعوبته، مما يؤدي إلى إهدار موارد الحوسبة على الأسئلة السهلة وصعوبة الإجابة على الأسئلة المعقدة.

هنا تتألق تكنولوجيا جديدة تُعرف باسم AB-RAG (Adaptive Budgeted Retrieval-Augmented Generation)، والتي تقدم إطار عمل خالي من التدريب وقابل للتطبيق على مجموعة متنوعة من النماذج. تتضمن طريقتها حساب ثقة النموذج في إجابته، باستخدام مجموعة من المؤشرات، مثل:

1. **التيقن من الإجابة**: يعتمد على تقدير مباشرة للاحتمالات من النموذج.
2. **توافق الإجابة مع المعلومات المسترجعة**: قدرة الإجابة على التحقق من صحة المعلومات المعطاة.
3. **تباين نتائج الاسترجاع**: قياس مدى اتفاق المعلومات المسترجعة.

يسمح هذا الأسلوب للنظام بتقديم إجابات مبنية على درجات الثقة، مما يسهل عملية تحديد ما إذا كان يجب التوقف عن البحث أو استرجاع مزيد من الأدلة.

عبر ثلاث منصات مختلفة وبيانات متنوعة، أثبتت التجارب أن AB-RAG قادر على فصل الإجابات الصحيحة عن الخاطئة بدقة مثيرة، حيث سجل نسبة 57.6% في الإجابات ذات الثقة العالية مقابل 0% في الإجابات ذات الثقة المنخفضة.

ومع كل هذا، تم تنفيذ الدراسة على لابتوب شخصي بتكاليف تشغيل قليلة، مما يساهم في فتح المجال أمام الاستخدام الواسع لهذه التكنولوجيا في تطبيقات مختلفة.

فما رأيكم في إمكانيات هذا النظام؟ هل تعتقدون أنه سيحدث فرقاً في كيفية تعاملنا مع الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!