في عالم اليوم سريع التغير، تظل الأنطولوجيات (Ontologies) ومخططات المعرفة (Knowledge Graphs) بحاجة إلى التطور المستمر لتظل شاملة ودقيقة. ومع ذلك، تتطلب عملية التنسيق اليدوي موارد ضخمة وتستنفد الوقت. ولكن، ماذا لو كان هناك حل يحمل كل هذه الأعباء؟ هنا تأتي تقنية Evo-DKD.

تُعتبر نماذج اللغة الضخمة (Large Language Models) خزاناً هائلاً من المعرفة غير المنظمة، إلا أنها تواجه تحديات في الحفاظ على التنسيق الهيكلي. ولحل هذه المشكلة، تم تقديم Evo-DKD كنموذج ثنائي للتشفير، والذي يمزج بين تنقل الأنطولوجيا الهيكلية والتفكير النصي غير المنظم.

يقدم Evo-DKD تدفقين من التشفير بالتوازي داخل نموذج اللغة الضخم: الأول يقوم بإنشاء تعديلات مقترحة للأنطولوجيا (مثل إضافة مفاهيم أو علاقات جديدة) بينما ينتج الآخر مبررات باللغة الطبيعية. يعتمد النظام على آلية تنسيق مبتكرة تستند إلى الانتباه الديناميكي، حيث يقرر في كل خطوة كيفية دمج المعرفة الهيكلية وغير الهيكلية.

على الرغم من القيود المتعلقة ببطاقة الرسومات (GPU)، يتم محاكاة سلوك التشفير الثنائي باستخدام تحكم قائم على النماذج لتقريب التشفير المنسق في وضع التدفق الواحد. يعمل النظام في حلقة تفكير مغلقة، حيث يتم التحقق من صحة التعديلات المقترحة على الأنطولوجيا من خلال فحوصات الاتساق والتحقق المتقاطع مع الشروحات النصية.

كما تم اختبار Evo-DKD في حالات استخدام متنوعة، بما في ذلك تحسين أنطولوجيا الرعاية الصحية، وتحسين البحث الدلالي، ونمذجة جدولة التراث الثقافي. تُظهر التجارب أن Evo-DKD يتفوق على النماذج السابقة التي تستخدم التشفير الهيكلي فقط أو غير الهيكلي في دقة تحديثات الأنطولوجيا وأداء المهام اللاحقة.

يوفر Evo-DKD مفهومًا جديدًا لصيانة قواعد المعرفة المدفوعة بنماذج اللغة الضخمة، مما يجمع بين قوة التفكير الرمزي والعصبي لتطوير الأنطولوجيا بشكل مستدام.