تواجه تقنيات تعلم الرسوم البيانية تحديات مستمرة في ظل تغير التوزيع، مما يجعل من الضروري ظهور أدوات قوية ترتقي بأداء النماذج في استدلال البيانات الجديدة. وقد احتل الصدارة في هذا المجال إطار عمل CoEvoT الجديد، الذي يوفر طريقة مبتكرة لجعل نماذج اللغات الكبيرة (LLMs) أكثر كفاءة في التنبؤ باستخدام الرسوم البيانية.

يتميز CoEvoT بتطبيق مفهوم "التفكير المتسلسل" (Chain-of-Thought) والذي يُعزز من قدرة النماذج على التفكير عبر خطوات متعددة. ولكن المشكلة التي تواجه الأساليب التقليدية تكمن في اعتمادها على رموز ثابتة من الرسوم البيانية، مما يقيدها في استنتاج النتائج الدقيقة. هنا يأتي دور CoEvoT، الذي يقدم نظاماً متكاملاً لتحديث الرموز النصية المتعلقة بالرسوم البيانية بشكل مستمر.

تتضمن هذه النظام دورة مغلقة حيث يتم استخدام كل فكرة نصية كوسيلة لتحديث حالة الرموز الرسومية، وذلك عبر شبكة شرطية خفيفة. وفور تحديث الرموز، تُعاد إدخالها في التعليمات التالية لتوجيه عملية استدلال LLMs، مما يحقق تحسيناً تدريجياً وروابط معرفية أكثر دقة.

توضح التجارب التي أُجريت على ثماني مجموعات بيانات كيف أن CoEvoT يحقق أداءً يفوق بكثير الأساليب التقليدية، مما يفتح آفاقاً جديدة في عالم الذكاء الاصطناعي واستدلال البيانات. برهنت النتائج على قدرته الفائقة في التعامل مع الرسوم البيانية بفعالية وتقديم تحليلات أكثر دقة وفائدة.

هل أنتم مستعدون لاكتشاف كيف سيغير CoEvoT ملامح الذكاء الاصطناعي في مجالات جديدة؟ شاركونا آراءكم في التعليقات!