تعد تقنية الإجابة على الأسئلة متعددة الجولات مجالًا متطورًا في الذكاء الاصطناعي، حيث تعاني النماذج التقليدية من صعوبة التعامل مع المعلومات المنسقة وغير المنظمة. لكن مع ظهور نظام **AF-Retriever (استرجاع تلقائي)**، حدثت نقلة نوعية في هذا المجال.

يعمل AF-Retriever كإطار عمل موحد يعتمد على **المعرفة شبه المنظمة (Semi-Structured Knowledge Bases)**، مما يجعله جسرًا بين المحتوى غير المنظم كالمستندات النصية، والمعرفة المنظمة مثل الرسوم البيانية والجداول. من خلال دمج تقنيات استرجاع هيكلية ونصية، يحقق AF-Retriever نتائج متفوقة في اختبارات STaRK QA الثلاثة، التي تغطي مجالات متنوعة ومعايير تقييم متعددة.

يساهم AF-Retriever في تحسين نتائج الإجابات بشكل كبير بفضل عدة استراتيجيات فعالة:
1. اعتماد نماذج لغوية ضخمة (Large Language Models) لاستخراج سمات الكيانات والقيود العلائقية، مما يزيد من دقة الرتبة.
2. استخدام البحث عن تشابه المتجهات لتصنيف الكيانات المستخرجة والإجابات النهائية.
3. تنفيذ إجراء توسيع نطاق مبتكر يعد لإعادة ترتيب أفضل مجموعة من المرشحين.
4. استراتيجية استرجاع هجينة تخفض من نسبة الخطأ في الحصول على الإجابات.

من خلال تعديل التركيز بشكل مستمر كما يفعل البؤرة البصرية، يستطيع AF-Retriever تقديم كميات قابلة للتعديل من إجابات المرشحين خلال أربع خطوات استرجاع قائمة على القيود. تتبع هذه الخطوات أربع مراحل إضافية لضمان تصنيف واستكمال الإجابات بدقة.

لمزيد من المعلومات، يمكن مراجعة الكود المصدري لهذا النظام عبر الرابط [https://github.com/kramerlab/AF-Retriever].

ما رأيكم في هذه التقنية الجديدة؟ هل تعتقدون أنها ستغير من طريقة تعاملنا مع المعلومات؟ شاركونا آرائكم في التعليقات.