في عالم الذكاء الاصطناعي، تتطلب استرجاع الأدلة من الرسوم البيانية المعرفية (Knowledge Graphs) توازناً دقيقاً بين البحث الواسع عبر الرسوم البيانية والمتابعة المعقدة عبر الروابط العلاقية. في هذا السياق، تظهر أداة ARK (Adaptive Retriever of Knowledge) كحل مبتكر يعزز قدرات نماذج اللغة (Language Models) في استرجاع المعلومات.

تعمل أداة ARK على استخدام مجموعة أدوات مكونة من عمليتين: البحث اللفظي الشامل عبر أوصاف العقد واستكشاف الجوار ذو الخطوة الواحدة، مما يسمح بالتنقل عبر الروابط المعقدة. استطاعت ARK التبديل بين الاكتشاف الواسع والتوسع العميق، دون الحاجة إلى اختيار عقدة بداية ضعيفة أو تحديد عمق ثابت للبحث، مما يجعلها ذات فعالية كبيرة.

تتسم ARK بقدرتها على التكيف مع طبيعة الاستفسارات، حيث تستخدم البحث الشامل للاستفسارات الثقيلة لغويًا، بينما تعتمد على استكشاف الجوار للاستفسارات التي تستند إلى العلاقات. وفقًا للنتائج، حققت ARK نسبة 59.1% في متوسط Hit@1 و67.4% في متوسط MRR، مما يشير إلى تحسن كبير يصل إلى 31.4% في Hit@1 مقارنة بالطرق التقليدية.

باستخدام عملية تقطير معقدة، نجحت ARK في تحسين نموذجها من خلال تقمص أنماط استخدام الأدوات من نموذج معلم أكبر، مما أدى إلى تعزيز الأداء في عدة مجموعات بيانات مثل AMAZON وMAG وPRIME.

تأتي ARK لتكون نقطة تحول في استرجاع المعلومات من الرسوم البيانية المعرفية، مما يتيح لنماذج اللغة القدرة على تحقيق استجابة أكثر دقة وفعالية. فهل تتخيل كيف سيستفيد الذكاء الاصطناعي من هذه التقنية الجديدة؟ شاركونا آراءكم في التعليقات!