في عالم الذكاء الاصطناعي، تبرز [تقنية](/tag/تقنية) Graph Retrieval Augmented Generation ([GraphRAG](/tag/graphrag)) كنموذج ثوري لدعم [الاستدلال](/tag/الاستدلال) المنظم على [بيانات معقدة](/tag/[بيانات](/tag/بيانات)-معقدة). ومع أن هذه [التقنية](/tag/التقنية) تُظهر آمالاً كبيرة، إلا أن أدائها تحت ضغوط الموارد والمحافظة على [الخصوصية](/tag/الخصوصية) يحتاج إلى [البحث](/tag/البحث). في المجال الصحي، حيث تُعالج [البيانات الصحية](/tag/[البيانات](/tag/البيانات)-الصحية) الإلكترونية (Electronic Health Record - [EHR](/tag/ehr)) بدقة وتنظيم عالٍ، يبقى الاعتماد على [نماذج [اللغات](/tag/اللغات) الضخمة](/tag/[نماذج](/tag/نماذج)-[اللغات](/tag/اللغات)-الضخمة) (Large Language [Models](/tag/models) - [LLMs](/tag/llms)) السحابية مصدراً لتحديات في التكاليف، والوقت، والامتثال.

تقدم هذه [الدراسة](/tag/الدراسة) تقييماً منهجياً لتقنية [GraphRAG](/tag/graphrag) لاسترجاع [بيانات](/tag/بيانات) [أنظمة](/tag/أنظمة) [السجلات الصحية الإلكترونية](/tag/[السجلات](/tag/السجلات)-الصحية-الإلكترونية) باستخدام [نماذج لغوية](/tag/[نماذج](/tag/نماذج)-لغوية) مفتوحة المصدر مُركّبة محلياً. تم تطبيق [خط أنابيب](/tag/خط-أنابيب) [GraphRAG](/tag/graphrag) من قبل ميكروسوفت على توثيقات [أنظمة](/tag/أنظمة) [السجلات الصحية](/tag/[السجلات](/tag/السجلات)-الصحية) الحقيقية، مع [تقييم](/tag/تقييم) أربعة نماذج، منها [Llama 3.1](/tag/llama-31) (8B)، [Mistral](/tag/mistral) (7B)، [Qwen](/tag/qwen) 2.5 (7B)، وPhi-4-mini (3.8B)، مُركَّبة [عبر](/tag/عبر) [Ollama](/tag/ollama) على وحدة معالجة الرسوميات ([GPU](/tag/gpu)) المنزلي (8GB VRAM).

تم [تقييم](/tag/تقييم) [كفاءة](/tag/كفاءة) الفهرسة، وبناء رسم المعرفة، وزمن استجابة الاستعلام، وجودة الإجابة، وحدوث [الأخطاء](/tag/الأخطاء) [عبر](/tag/عبر) كل من وضعيات الاسترجاع العالمية والمحلية. أظهرت النتائج فروقاً كبيرة: حيث أنتج [نموذج Llama](/tag/[نموذج](/tag/نموذج)-llama) 3.1 أغنى رسم [معرفة](/tag/معرفة) يحتوي على 1,172 كياناً، في حين حقق [Qwen](/tag/qwen) 2.5 أفضل جودة للإجابة بمعدل 3.3/5، وعجز Phi-4-mini عن استكمال الخط بسبب [أخطاء](/tag/أخطاء) في المخرجات الهيكلية، وأظهر [Mistral](/tag/mistral) [سلوك](/tag/سلوك) تكرار غير مرضي.

كما تم إظهار أن [GraphRAG](/tag/graphrag) يمتلك عتبة قدرة عملية، حيث أن [النماذج](/tag/النماذج) الأقل من حوالي 7B من المعلمات تعاني من عدم القدرة على إنتاج مخرجات هيكلية صحيحة ولا يمكنها إكمال الخط. وعلاوة على ذلك، كانت [كفاءة](/tag/كفاءة) الفهرسة وجودة الإجابات مفصولة [عبر](/tag/عبر) النماذج، مع [أداء](/tag/أداء) محلي متفوق على [التلخيص](/tag/التلخيص) العالمي في كلاً من زمن الاستجابة والتأسيس الواقعي، مما يقلل من حدوث [الأخطاء](/tag/الأخطاء). تكشف هذه النتائج أن استخدام [GraphRAG](/tag/graphrag) على [الأجهزة](/tag/الأجهزة) المنزلية يعد ممكنًا، مع تسليط الضوء على أهمية اختيار [النماذج](/tag/النماذج) وتصميم الاسترجاع لضمان التشغيل القوي في البيئات المنظمة.