استراتيجيات مبتكرة لاسترجاع المهارات من مكتبات ضخمة: الكشف عن تحديات جديدة!

في عالم الذكاء الاصطناعي، تحتاج الأنظمة التي تعتمد على مكتبات ضخمة من المهارات إلى اتخاذ قرارات حاسمة بشأن المهارات التي يجب تحميلها وفي أي ترتيب. تحميل المكتبة كاملة يعد أمرًا مكلفًا ولا يوفر هيكلًا للتسلسل الذاتي. لذلك، فقد أجريت دراسة تستعرض نظامين لتقريب هذا الإشكال، عبر 690 مهارة مختلفة.

يتضمن النظام الأول مقيّمًا هجينًا يجمع بين استرجاع القواميس (lexical retrieval) والاسترجاع المعتمد على التضمين الكثيف (dense-embedding retrieval) لتحميل المهارات عند الطلب بشكل مرن، بينما الثاني يعتمد على رسم معرفي من نوع معين (typed knowledge graph) يرمز إلى علاقات سير العمل مثل المتطلبات المسبقة وتدفق البيانات والترتيب.

عند استخدام مجموعة من 117 استفسارًا واقعيًا، استطاع المقيّم الهجين استرجاع المهارة الصحيحة ضمن الخمسة الأوائل في 73.5% من الحالات تقريبًا، تاركًا نحو ربع الاستفسارات دون خدمة. وعند استخدام الرسم المعرفي كما هو مخطط له، بدا أنه أقل كفاءة بمقدار 11.2 نقطة، مما يدل على أن هيكل المعرفة لا يُزيد من فعالية الاسترجاع كما كان متوقعًا.

بالإضافة إلى ذلك، أدى التقييم القائم على استفسارات كتبها المؤلفون إلى مبالغة في نتائج hit@5، ما كان من الممكن أن يُخفي النتائج الأساسية. حُجتنا تكمن في أن الهيكل المضاف لا يُحسن الاسترجاع على مستوى مقيّم قوي، ونستكشف الظروف التي تجعل إضافة الاعتماد الهيكلي في الاسترجاع أكثر فائدة.