يشهد عالم الذكاء الاصطناعي تطورات مثيرة يومًا بعد يوم، وآخر هذه التطورات يأتي من تقنية Bilevel-Optimized Sparse Querying (BOSQ) التي تعد بمثابة إنجاز يثير الحماس في مجالات تحليل البيانات. فقد أثبتت نماذج اللغات الضخمة (LLMs) قدرتها الكبيرة في تعزيز المهام المرتبطة بالعقد في الرسوم البيانية النصية (Text-Attributed Graphs أو TAGs). ومع ذلك، فإن استخدام هذه النماذج يتعرض لعقبة رئيسية وهي التكاليف العالية المعنونة والمالية الناتجة عن استعلامات LLM المتكررة.

لتوضيح ذلك، إذا حاولنا توليد تفسيرات لجميع العقد في مجموعة بيانات متوسطة الحجم مثل Photo التي تحتوي على 48 ألف عقدة باستخدام طريقة تمثيلية مثل TAPE، فإن العملية ستستغرق أيامًا كاملة من وقت المعالجة، وهو ما يعد تحديًا كبيرًا.

من أجل معالجة هذه المشكلة، يقدم الباحثون في هذه الورقة التقنية الجديدة التي تسمى BOSQ، وهي إطار عام يعتمد على استراتيجيات استعلام نادرة ومرنة تحدد الوقت المناسب لاستدعاء LLMs، مما يمنع الاستعلامات الزائدة أو ذات الفوائد القليلة، وبالتالي تقليل العبء الحاسوبي بشكل كبير.

أجريت تجارب موسعة على ست مجموعات بيانات حقيقية تشمل نوعين من المهام المتعلقة بالعقد، وقد أظهرت نتائج هذه التجارب أن BOSQ يعمل بشكل أسرع بكثير من طرق GraphLLM الحالية، بينما يستمر في تقديم أداء متكافئ أو حتى متفوق.

باستخدام تقنية BOSQ، يمكن للباحثين والمهندسين في مجال الذكاء الاصطناعي تحقيق إنجازات مبتكرة في فهم وتحليل الرسوم البيانية، مما يفتح آفاق جديدة في العديد من التطبيقات.

ما رأيكم في هذه التطورات المثيرة؟ شاركونا في التعليقات.