مع تزايد الاعتماد على نماذج اللغات الضخمة (Large Language Models) في مختلف التطبيقات، يواجه العلماء تحديات كبيرة، مثل المعلومات القديمة والأوهام. ومع ذلك، ظهرت أداة جديدة تسمى Code-on-Graph (CoG) كحل مبتكر لهذين التحديين.

تستخدم الرسوم المعرفة (Knowledge Graphs) على نطاق واسع لمعالجة هذه المشكلات، لكن معظم الانظمة الحالية تعتمد على مشغلين محددين مسبقًا لاسترجاع المعلومات بشكل تقليدي. هذا النموذج، رغم فعاليته، يعاني من قيود كبيرة.

مبدئيًا، يفتقر النظام التقليدي إلى المرونة، حيث إن المشغلين المحددين لا يستطيعون التعبير عن التعقيد الدلالي المطلوب في الأسئلة المتعلقة بالرسوم المعرفة. كذلك، فإن حقن المعرفة الحقيقية مباشرةً في الطلبات يعيق قابلية التوسع، مما يجعل من الصعب التعامل مع كميات كبيرة من البيانات.

يأتي Code-on-Graph ليطرح حلاً مبتكرًا، حيث يعمل كإطار استدلال برمجي يجمع بين نماذج اللغات الضخمة والرسوم المعرفة. يقوم CoG بتحديد نماذج الرسوم المعرفة المناسبة خلال كل خطوة استدلال، ويمثل هذه النماذج كفئات Python. هذا يسمح له بإنشاء كود قابل للتنفيذ مرتبط بهذه الفئات، مع تجسيد الحقائق كمكونات للأجسام المناسبة أثناء التنفيذ.

قيام CoG بهذا التصميم يعزز من مرونة الاستدلال القائم على الكود، ويتجنب استخدام المعرفة الكبيرة بشكل مباشر. أثبتت التجارب التي أجريت على مجموعة بيانات WebQSP و CWQ و GrailQA أن هذا الإطار يتفوق على النماذج الأكثر تطورًا السابقة بنسبة تصل إلى 10.5%!

مع التطورات المستمرة في هذا المجال، يبدو أن المستقبل يحمل الكثير لنماذج الذكاء الاصطناعي وطرق تحسين أدائها. ما رأيكم في هذا الابتكار؟ شاركونا آرائكم في التعليقات!