استخدام بنية الرسوم البيانية كتحيز استنتاجي لتحسين دقة الذكاء الاصطناعي

في عالم الذكاء الاصطناعي، تظهر الحاجة إلى أن تكون استجابات نماذج اللغة الكبيرة (Large Language Models) دقيقة وموثوقة، خاصة في المجالات التي تتطلب دقة المعلومات مثل دعم القرارات السريرية. يكمن التحدي الرئيسي في أن هذه النماذج، رغم كونها مصممة لإنتاج استجابات محتملة، إلا أنها لا تتحقق بشكل دقيق من صحة الاقتراحات المقدمة بناءً على المعلومات المرجعية.

تم تطوير أساليب متعددة للكشف عن الهلوسة (Hallucination Detection) لتحسين دقة الاستجابات، بما في ذلك تعزيز الاسترجاع، والاستمرارية الذاتية، والتحقق من الادعاءات. إلا أن معظم هذه الأساليب لا تستفيد بشكل مباشر من بنية التوافق (Alignment Topology).

لذا، تم اقتراح نهج مبتكر يستخدم بنية الرسوم البيانية كتحيز استنتاجي. حيث تم بناء رسوم بيانية ثنائية القطب (Bipartite Graphs) تربط بين المعلومات المرجعية ونتائج نماذج اللغة الكبيرة، ومن ثم تم تدريب شبكة عصبية للرسوم البيانية (Graph Neural Network) لمعالجة هيكل التوافق عبر تمرير الرسائل. هذا الأسلوب حقق نتائج رائدة على أربع مجموعات بيانات مختلفة تخدم أغراض الكشف عن الهلوسة والإجابة على الأسئلة، متفوقًا على جميع الأساليب المقارنة، بما في ذلك نماذج اللغة الكبيرة الأساسية مثل GPT-4.