في عالم تتزايد فيه الحاجة إلى التفاعل الطبيعي والسلس مع أنظمة الذكاء الاصطناعي، يأتي نموذج CompCQR (توليد الاستفسارات المركبية) ليحدث ثورة في البحث عبر المحادثة. يعتمد هذا النموذج على تقنيات متقدمة تهدف إلى تحويل الاستفسارات المعقدة المرتبطة بالسياق إلى استفسارات قائمة بذاتها، مما يسهل الوصول إلى المعلومات المطلوبة بكفاءة أعلى.

تعتبر الاستفسارات متعددة الدوران (multi-turn interactions) مع نماذج اللغات الضخمة (LLMs) جزءًا أساسيًا من تجربتنا في السعي للحصول على المعلومات، ولكنها غالبًا ما تعاني من الغموض وتعتمد على السياق. يأتي دور تقنية إعادة صياغة الاستفسارات في محادثات الذكاء الاصطناعي (Conversational Query Reformulation - CQR) لتساعد في التغلب على هذه العقبة عن طريق إعداد استفسارات دقيقة تستند إلى التاريخ الحواري.

على الرغم من الأداء القوي الذي حققته الطرق الحالية المعتمدة على LLM، إلا أن التحديات مثل الحاجة لتكرار استدعاءات LLM وعدم توافقها مع أدوات البحث لا تزال قائمة. يبني CompCQR مقاربته على الاعتماد على ترتيب المحتوى، وهو ما يتيح له تحسين أداء البحث بشكل ملحوظ. إذ يمكن لعملية إعادة ترتيب المحتوى ذاتها أن تؤثر بشكل كبير على معدلات الاسترجاع.

إحدى الابتكارات الرائعة في CompCQR هي الطريقة التدريبية الخالية (Training-Free)، حيث يولد عددًا كبيرًا من الاستفسارات من مجموعة صغيرة من العناصر الأساسية دون الحاجة إلى استدعاءات عديدة. كما يستخدم النموذج تقنيات استدلال من LLM لبناء مجموعة مستندات عالية الجودة تعمل على تحقيق التوازن بين الدقة والتغطية، مع التركيز على فهم نية المستخدم الرئيسية.

ومن المثير للاهتمام أن هذا النموذج لا يقتصر على LLMs مفتوحة أو مغلقة فحسب، بل يمتد ليشمل أدوات البحث الكثيفة والنادرة، مما يجعله حلاً مرنًا فعالاً يحقق أداءً قويًا على أربعة معايير معتمدة في مجال المحادثات، مع تحسين يصل إلى 22.5% في معدلات الاسترجاع النسبي مقارنةً بالنماذج السابقة.

هل أنتم مستعدون للغوص في عالم جديد من البحث المعتمد على المحادثة وكيف ستؤثر هذه التقنيات على الطريقة التي نتفاعل بها مع أنظمة الذكاء الاصطناعي؟ شاركونا آراءكم وتجاربكم في التعليقات!