تعتبر نماذج اللغات الضخمة (Large Language Models) واحدة من أبرز الابتكارات في مجال الذكاء الاصطناعي، لكنها تواجه تحديات تتعلق بدقة الإجابات، خصوصًا عند التعامل مع أسئلة متعددة الخطوات.

لذا، تهدف تقنية جديدة تُدعى D2F-ReAG (Dynamic Decomposition and Filtering for Multi-Hop Reasoning-Augmented Generation) إلى التغلب على تلك التحديات. تعتمد هذه التقنية على دمج المعرفة الخارجية بالإضافة إلى القدرة على تحليل الأسئلة بشكل ديناميكي.

في العمليات التقليدية، قد يواجه المرء مشكلات في دقة الإجابات بسبب الاعتماد الكبير على المعرفة الثابتة. ولكن، يتيح أسلوب D2F-ReAG التفكيك المنطقي للأسئلة إلى أسئلة فرعية تفيد في تعظيم دقة النتائج.

تعمل هذه الطريقة عن طريق تقييم موثوقية التحليل الأساسي؛ إذا كانت المعلومات موثوقة، يتم توليد الإجابة مباشرة. أما إذا لم تكن كذلك، فتلجأ التقنية لتفكيك السؤال إلى أسئلة فرعية ولهذه الأخيرة دورٌ في تحسين الإجابة الأصلية.

تجارب أجريت على ثلاثة معايير متعددة الخطوات أثبتت فعالية هذه التقنية في تحسين معالجة الأسئلة المعقدة، مما يسهل على النماذج تقديم إجابات أكثر دقة وموضوعية.

في النهاية، يُظهر D2F-ReAG كيف يمكن للإبداع والابتكار في عالم الذكاء الاصطناعي أن يحسن من كيفية تفاعلنا مع التقنيات الحديثة، ويوفر لنا أدوات أفضل للمعرفة والدقة.