تعتبر جودة البيانات أحد المكونات الأساسية لنجاح أي تحليل بيانات أو قرار يعتمد على البيانات. إلا أن تقييم جودة هذه البيانات يعد تحديًا كبيرًا، نظرًا لطبيعة جودة البيانات التي تعتمد على السياق. غالبًا ما ترتكز الطرق الحالية على قواعد ثابتة أو استراتيجيات تقييم يدوية، مما يحد من قدرتها على التكيف مع السيناريوهات المتنوعة ويعيق الأتمتة بشكل فعّال.

في ضوء التطورات الأخيرة في مجال الذكاء الاصطناعي، وخاصة نماذج اللغات الضخمة (Large Language Models)، ظهر أملٌ جديد في أتمتة تقييم جودة البيانات، لكن ذلك جلب معه أيضًا تساؤلات حول الموثوقية والأمان. في هذا الإطار، نقدم اقتراحًا لإطار عمل موحد للاسترجاع الذكي (Agentic Retrieval Framework) يقوم بتقييم جودة البيانات بشكل مستقل وذكي.

هذا الإطار يدرك الأوصاف الطبيعية لاستخدام البيانات المقصودة، ويستخرج استراتيجيات تقييم تتناسب مع السياق، ويولد منطق تحقق قابل للتنفيذ من خلال عمل يعتمد على عدة وحدات (multi-agent workflow).

ولضمان موثوقية التشغيل، يضيف الإطار مرحلة تحقق من الجدوى، حيث يقيّم واقعية وقابلية تنفيذ المواصفات الناتجة قبل تنفيذها، مما يمكّن من تحسينها بشكل تكراري عند الحاجة. بالإضافة إلى ذلك، يتم تنفيذ المنطق المقبول بطريقة حتمية لضمان نتائج قابلة للتكرار والتدقيق.

لقد قمنا بتنفيذ هذا الإطار كنموذج شامل وقمنا بتقييمه في سيناريوهات استخدام متعددة باستخدام نفس مجموعة البيانات. وتظهر النتائج أن نتائج التقييم تتكيف بشكل مثير مع الاستخدامات المقصودة المختلفة، في حين أن تنفيذ القواعد الخاضعة للتحقق من الجدوى يقلل من توليد القواعد غير الواقعية أو غير القابلة للتنفيذ.

يوفر هذا الاقتراح أساسًا عمليًا لنشر تقييم جودة البيانات المستقل ولكن الخاضع للرقابة، مما يعزز من فعالية القرارات المعتمدة على البيانات في البيئات الحديثة.