تعتبر أنظمة مولدات الذكاء الاصطناعي المدعومة بالاسترجاع (Retrieval-Augmented Generation RAG) نقطة تحول في تكنولوجيا الذكاء الاصطناعي، حيث أظهرت قدرة ملحوظة على التعامل مع المهام العقلية المركبة. ومع ذلك، يظل أحد التحديات الأساسية التي تواجه هذه الأنظمة هو ما يُطلق عليه "خيالات التصور المت cascading"، حيث تتسبب الأخطاء في المراحل الأولى من عملية الاسترجاع في تفشي وتكرار الأخطاء في الخطوات اللاحقة، مما يؤدي إلى نتائج نهائية تبدو واثقة لكنها غير صحيحة بشكل فعلي.

لتصحيح هذه المشكلة، تم تقديم إطار CHARM، وهو نظام متكامل مصمم لاكتشاف وتخفيف آثار خيالات التصور المت cascading. يعتمد CHARM على أربع مكونات رئيسية: التحقق من الحقائق على مستوى المراحل، تتبع التناسق بين المراحل، مراقبة مستوى الثقة، وتفعيل آلية حل الخيالات. هذه المكونات تعمل بشكل فعال مع أنظمة RAG التقليدية دون الحاجة إلى تغيير هيكلي معها.

عند تقييم نظام CHARM على مجموعات بيانات مثل HotpotQA وMuSiQue و2WikiMultiHopQA، أظهر النظام قدرة على كشف خيالات التصور بمعدل دقة يصل إلى 89.4%، مع معدل إيجابيات خاطئة لا يتجاوز 5.3%، مما يقلل من انتشار الأخطاء بمعدل مذهل يصل إلى 82.1%. تعد هذه النسبة تفوقًا كبيرًا مقارنةً بالأنظمة التي تعتمد على كشف الأخطاء في المخرجات النهائية.

باختصار، يمثل إطار CHARM خطوة هامة نحو ضمان موثوقية الأنظمة الذكية المعتمدة على الذكاء الاصطناعي، مقدمًا نظامًا متكاملاً يتضمن دورًا مهمًا للبشر في مراقبة النتائج والتحقق من صحتها.