تشهد مجال الذكاء الاصطناعي تطوراً ملحوظاً مع ظهور نماذج اللغات الضخمة (Large Language Models) التي أثبتت قدرتها الاستثنائية في معالجة اللغة الطبيعية. ولكن، على الرغم من نجاحها، لا تزال تعاني هذه النماذج من مشاكل تؤثر على أدائها، مثل التخيّل (hallucination) ونقص المعرفة ذات الصلة عندما يتعلق الأمر بمهام الإجابة عن الأسئلة (QA).

لتجاوز هذه العوائق، تم استخدام الرسوم البيانية المعرفية (Knowledge Graphs) لتحسين عملية التفكير لدى نماذج اللغات الضخمة. ومع ذلك، تحتوي هذه الرسوم في كثير من الأحيان على ضوضاء وأخطاء، مما يزيد من صعوبة الحصول على نتائج موثوقة. لذلك، تم اقتراح استخدام الرسوم البيانية المعرفية غير المؤكدة (Uncertain Knowledge Graphs)، والتي تُعطي كل ثلاثي قيمة ثقة لتقدير مستوى الشك، لتكون عادةً حلا واعداً.

يُقدّم لنا البحث الجديد إطار العمل Debate-on-Graph (DoG) الذي يجمع بين نماذج اللغات الضخمة والرسوم البيانية المعرفية غير المؤكدة في إطار تفاعلي. حيث تم تصميم خوارزمية بحث استدلالي خاصة للرسوم البيانية غير المؤكدة لاستخراج الرسوم الفرعية الموثوقة والتي تركز على أسئلة معينة، مما يقلل من الضوضاء والأخطاء في المعرفة المسترجعة.

علاوة على ذلك، تم إدخال آلية المناقشة متعددة الوكلاء (Multi-Agent Debate) لتقديم إجابات موثوقة من خلال مناقشات معارضة تفاعلية، مما يساهم في استغلال المعرفة الكاملة في الرسوم غير المؤكدة مع المحافظة على موثوقية الأدلة المستخرجة. وتمكنت هذه الابتكارات من تحقيق أداء متفوق على مجموعة متنوعة من أدوات القياس المستخدمة لدى نماذج اللغات الضخمة التقليدية.

تظهر التجارب المكثفة على أربعة مجموعات بيانات مرجعية للإجابة على الأسئلة أن DoG حقق نتائج رائدة في الأداء مقارنة بأساليب التفكير الحالية.

هل أنتم متحمسون لرؤية كيف يمكن لهذا النموذج الثوري تغيير الأفق في مجال الذكاء الاصطناعي؟ شاركونا آراءكم واقتراحاتكم في التعليقات!