استدلال العلاقات هو جوهر الذكاء، لكن الأساليب التقليدية للاختبار غالبًا ما تكون محصورة في صيغ مثل الشبكات أو النصوص. وفي تطور مثير، تم تقديم معيار GraphARC، الذي يعد معيارًا متكاملاً لاستدلال المعلومات على البيانات المهيكلة بالشكل البياني (Graph).

يعتبر GraphARC تطويرًا لمفهوم التعلم من خلال التحويل القليل (Few-shot Transformation Learning) المعروف في مجموعة التبسيط والاستدلال (Abstraction and Reasoning Corpus - ARC). يتطلب كل مهمة فيه استنتاج قاعدة تحويل من عدد قليل من أزواج الإدخال والإخراج، وتطبيقها على رسم بياني اختباري جديد، مما يغطي التحولات البيانية المحلية والعالمية والهرمية.

على عكس نموذج ARC المبني على الشبكة، يمكن توليد مثيلات GraphARC على نطاق واسع عبر عائلات وأحجام متنوعة من الرسوم البيانية، مما يُمكن من تقييم منهجي لقدرات التعميم. وقد تم اختبار النماذج اللغوية المتطورة على GraphARC، وتمت ملاحظة وجود قيود واضحة. حيث تستطيع النماذج الإجابة عن أسئلة حول خصائص الرسوم البيانية، لكنها غالبًا ما تفشل في حل مهام تحويل الرسوم البيانية بشكل كامل، مما يكشف عن فجوة بين الفهم والتنفيذ. تزداد هذه الفجوة وضوحًا عند زيادة حجم المعطيات، مما يُظهر العقبات التي تعترض عملية التوسع.

بشكل أوسع، من خلال دمج جوانب تصنيف العقد (Node Classification)، وتوقع الروابط (Link Prediction)، وتوليد الرسوم البيانية (Graph Generation) ضمن إطار عمل واحد، يوفر GraphARC منصة اختبار واعدة للنماذج البيانية الأساسية في المستقبل.

هل ترون أن الاستدلال المعتمد على الرسوم البيانية سيكون مفيدًا في تطبيقات الذكاء الاصطناعي؟ شاركونا آرائكم!