في عالم الذكاء الاصطناعي، يتمثل أحد أكبر التحديات في تحقيق التفكير الاستنتاجي الفعال باستخدام الرسم البياني للمعرفة (Knowledge Graphs). تعتبر هذه الرسوم البيانية وسيلة رئيسية لتنسيق المعلومات المعقدة، وتسهيل استنتاج فرضيات منطقية من الكيانات المرصودة. ومع ذلك، فإن مشكلة تعدد الفرضيات المحتملة والتي قد تكون غير ذات صلة أو زائدة عن الحاجة تثير القلق، مما يستدعي الحاجة إلى نموذج قادر على التحكم في هذا الإخراج.

لذا، نقدم لكم نموذج CtrlHGen، وهو إطار جديد لتوليد الفرضيات المنطقية القابلة للتحكم. يأتي هذا النموذج ليعالج التحديات المرتبطة بالتحكم في توليد فرضيات منطقية طويلة ومعقدة، حيث تم تحديد مشكلتين رئيسيتين: انهيار مجموعة الفرضيات (Hypothesis Space Collapse) والحساسية المفرطة للفرضيات (Hypothesis Oversensitivity).

من خلال استخدام تقنية التعلم المعزز، يقوم CtrlHGen بتدريب نفسه على مرحلتين. المرحلة الأولى تركز على التعلم تحت إشراف، بينما تركز المرحلة الثانية على تحسين النتائج باستخدام التعلم المعزز. لهذه الغاية، تم تطوير استراتيجية لتحسين مجموعة البيانات تعتمد على تقسيم منطقي فرعي، مما يمكّن النموذج من التعلم من هياكل منطقية معقدة من خلال الاستفادة من أنماط دلالية في مكونات أبسط.

كما تمت إضافة مكافآت دلالية سلسة مثل درجات Dice وOverlap، بالإضافة إلى مكافأة التوافق الشرطي لتوجيه عملية توليد الفرضيات وفقًا للقيود المحددة من قبل المستخدم. وقد أظهرت التجارب التي أجريت على ثلاثة مجموعات بيانات مرجعية أن نموذج CtrlHGen يتفوق ليس فقط في الالتزام بالقيود ولكن أيضًا في تحقيق أداء أفضل من حيث التشابه الدلالي مقارنةً بالنماذج السابقة.

يمكنكم الاطلاع على الشيفرة المصدرية لهذا النموذج من خلال الرابط المرفق [CtrlHGen Code Repository]. بهذا الابتكار، نأمل أن نكون قد خطونا خطوة مهمة نحو تعزيز التطبيقات العملية للتفكير الاستنتاجي في مجالات مثل التشخيص السريري والاكتشاف العلمي.

ما رأيكم في هذا التطور الثوري في الذكاء الاصطناعي؟ شاركونا في التعليقات.