في عالم الذكاء الاصطناعي، تُستخدم نماذج اللغات الضخمة (Large Language Models) بشكل متزايد للإجابة عن الأسئلة القائمة على الشبكات المعرفية (Knowledge Graphs). لكن، كيف يمكننا التأكد من صحة هذه الإجابات؟

تعتبر الأساليب الحالية تعتمد على تحويل كامل للمعنى إلى استعلامات قابلة للتنفيذ، مثل SPARQL، وهذه العملية تتسم بالتعقيد نظراً لوجود أنماط معقدة أو نقص في المعلومات في الشبكات المعرفية الواقعية. من جهة أخرى، توجد طرق تعتمد على التفكير المنطقي وإنتاج الإجابات ولكنها تفتقر إلى الضمانات الرسمية.

في هذا الإطار، تم تقديم مفهوم جديد تحت عنوان “اختيار الكيانات المقيد تحت المعرفة الجزئية” (Constrained Entity Selection under Partial Knowledge - CES-PK) يمكنه إحداث ثورة في كيفية معالجة المعلومات.

تستند هذه الطريقة إلى توليد إجابات “مرشحة” بواسطة نظام يعتمد على نموذج لغوي كبير، ثم يتم التحقق منها باستخدام قيود رمزية خفيفة تستند إلى السؤال ذاته. باستخدام منهجية تعتمد على قيود ثلاثية القيم (المرضي، المنتهك، غير المعروف)، يمكن هذا الحل من تجنب الرفض الخاطئ للإجابات المحتملة.

تم تطبيق هذا الإطار على الشبكة المعرفية البيولوجية Hetionet، وأظهرت التجارب عدة نتائج مثيرة، حيث أُضفيت فعالية على الدقة بشكل كبير عبر تصفية المرشحات غير الصالحة، مع استمرارية استرجاع المرشحات التي لم تتعرض للتأكيد الضمني. القيود المرضية توفر دعماً إضافياً لإثبات إيجابية لتصنيف باقي المرشحات.

ختاماً، يُمثل نموذج CES-PK تطوراً مهمًا نهدف من خلاله إلى ضمان أمان الإجابات في عالم الذكاء الاصطناعي، مما يفتح المجال لتطبيقات أكثر دقة وكفاءة.