في عالم الذكاء الاصطناعي، تتزايد الحاجة إلى أنظمة قادرة على فهم الرسوم البيانية للمعرفة (Knowledge Graphs) بفعالية. هنا يظهر **EXYGEN** (محرك استكشاف الرسوم البيانية الخاصة بك)، وهو إطار مبتكر يمكّن من الوصول الدردشي إلى هذه الرسوم البيانية على نطاق واسع. تتناول هذه الدراسة الجديدة سؤالين رئيسيين في هذا المجال.

الأول يتعلق بمدى كفاءة نماذج اللغات الضخمة (LLMs) في توليد استعلامات SPARQL من النصوص باستخدام بيانات وصفية مُشتقة آليًا وعينات صغيرة من الرسوم البيانية، بدلاً من تعديل معين لكل مهمة. **EXYGEN** يُدمج أوصاف VoID (Vocabulary of Interlinked Datasets) وSchematron (ShEx) في مسار توليد مدعوم بالاسترجاع (RAG)، حيث يُظهر النظام أداءً ممتازًا دون الحاجة إلى تعديلات خاصة بنماذج اللغات. أفضل تكوين للنظام حقق دقة تطابق تبلغ 0.419، مما يبرز فعاليته كمنافس جدي في هذا المجال.

أما السؤال الثاني، فهو كيفية توليد البيانات الوصفية الهيكلية من رسومات بيانية ضخمة، حيث يصبح الأمر غير قابل للتعامل العملياتي. هنا، تقدم **EXYGEN** استراتيجية جديدة تُعرف بعينة الرسوم البيانية المدركة لتغطية القواعد، مما يحافظ على تنوع الهيكل مع تقليل وقت التشغيل بشكل كبير. في دراسات الحالة على OpenCitations Meta وGESIS، نجحت الاستراتيجية في الحفاظ على تغطية عالية للقواعد مع خسارة ثلاثيات طفيفة، كما خفضت وقت التنفيذ بأكثر من 80 مرة.

تُظهر هذه النتائج أن وجود سياق هيكلي وطرائق تحفيزية خفيفة يمكن أن يُقلل بشكل كبير من الاعتماد على التعديلات الخاصّة للوصول الدردشي القابل للتوسع إلى الرسوم البيانية للمعرفة. ومع ذلك، يبدو أن إغلاق الفجوة المتبقية نحو الطرق المعدلة بالكامل يتطلب تقليل الاعتماد على نماذج الأسئلة الاستقصائية المعدة مسبقًا، سواء من خلال توليدها بشكل صناعي أو من خلال طرق التغذية الراجعة.