في عصر تطور الذكاء الاصطناعي (AI)، تُعتبر نظم الاسترجاع المدعوم بالذكاء الاصطناعي (RAG) من الأدوات الرائدة في معالجة الأسئلة المعقدة، ولكن تنسيق العمل عبر مراحل متعددة قد يعرضها لمخاطر الفشل. تكمن أهمية الدراسة التي أُجريت مؤخرًا في تقديم إطار عمل مبتكر يعتمد على إدراك عدم اليقين باستخدام أساليب Bayesian.

تتيح هذه الطريقة تقييم الاستجابة عبر مراحل التخطيط والتقييم والتوليد، حيث يتم استخراج إشارات عدم اليقين من تباين الدلالات وتقييم الذات للمولد. يتم بعد ذلك توجيه هذه الإشارات من خلال شبكة Bayesian لتقدير عدم اليقين على مستوى النظام واستنباط مؤشرات على نقاط الفشل المحتملة عبر سير العمل.

لقد تم تقييم هذا الإطار على منصات مثل StrategyQA وHotpotQA باستخدام نماذج متقدمة مثل GPT-3.5-Turbo وGPT-4.1-Nano، حيث تم استخدام مقاييس مثل منطقة تحت منحنى التشغيل الاستقبالي (AUROC) ودقة الإسقاط (AUARC) لتقييم الأداء.

أظهرت النتائج أن إدارة عدم اليقين Bayesian كانت فعالة بشكل خاص في HotpotQA، حيث يتراكم عدم اليقين عبر مراحل التفكير المتعددة، بينما كشفت StrategyQA عن قيود ناتجة عن سوء معايرة الإشارات.

تعزز هذه الدراسة من الفهم حول كيفية تحسين نظم الاسترجاع المدعوم بالذكاء الاصطناعي، مع التأكيد على الحاجة إلى المزيد من الدراسات في مجالات صناعية مثل الدعم في اتخاذ قرارات الصيانة الخاصة بالتوربينات الهوائية البحرية.