في عالم الذكاء الاصطناعي، حققت نماذج اللغة الضخمة (Large Language Models) تقدمًا ملحوظًا في مختلف المجالات، لكنها تواجه تحديات عدة في التعامل مع المشكلات السببية (Causal Problems) جراء التعقيد الفطري للنظرية السببية (Causal Theory).

عادةً ما تكون طرق السببية مصاغة بطريقة تعيق قدرتها على التواصل عبر اللغة الطبيعية، مما يجعل من الصعب على نماذج اللغة الضخمة الفهم والتطبيق الفعال لهذه الأساليب. كما أن البيانات السببية تتبهُ عادةً في شكل جداول، بينما تتميز نماذج اللغة الضخمة بقدرتها على معالجة البيانات النصية بشكل أفضل، مما يؤدي إلى خلل هيكلي يعيق التفكير الفعّال في هذه البيانات.

لعلاج هذه التحديات، تم تطوير عميل جديد يُسمى "العميل السببي" (Causal Agent)، حيث تم تزويده بأدوات سببية ضمن إطار عمل محسن. يشمل العميل مكونات متعددة ได้แก่ أدوات، ذاكرة، ووحدات تفكير.

في وحدة الأدوات، يتمكن العميل من تنفيذ أكواد Python واستخدام وظيفة السببية المدمجة، مما يعتبر خطوة نحو تحقيق التوافق بين البيانات الجدولية واللغة الطبيعية. أما في وحدة التفكير، يقوم العميل بإجراء عمليات استدلال عبر تكرارات متعددة مع الأدوات المتاحة.

وفي جزء الذاكرة، يحتفظ العميل ببيانات في قاموس حيث تمثل المفاتيح أسماء فريدة والقيم تمثل الرسوم البيانية السببية.

لتحقيق دقة الأدوات السببية، أُنشئت معايير جديدة تُعرف باسم "سؤال جواب بيانات سببية جدولي" (Causal Tabular Question Answer - CausalTQA) تتضمن أربع مستويات من المشكلات السببية. وتظهر النتائج دقة تفوق 80% عبر هذه المستويات، مما جعل العميل السببي نموذجًا رائدًا في هذا المجال.

عبر تجارب على مجموعة بيانات مأخوذة من العالم الحقيقي تُسمى QRData، أظهر العميل تفوقًا بنحو 6% عن أحدث الأنظمة المتاحة (SOTA). وللحصول على المزيد من المعلومات وتفاصيل التنفيذ، يمكنكم زيارة المستودع الخاص بنا على GitHub.