في زمن تتزايد فيه أهمية الشفافية في تقنيات الذكاء الاصطناعي، تأتي الابتكارات الجديدة لتمنحنا بارقة أمل. أحد هذه الابتكارات هو نموذج GraphRAGProv الذي يعد بنقلة نوعية في كيفية تعامل الأنظمة مع المعلومات. تعتمد أنظمة GraphRAG بشكل أساسي على الشبكات المعرفية (Knowledge Graphs) لاسترجاع السياقات المناسبة التي تساعد نماذج اللغة الكبيرة (Large Language Models) في تكوين إجاباتها. لكن هنا تكمن المشكلة: هذه العمليات غالبًا ما تكون غير شفافة، مما يقلل من سهولة الوثوق بها في مجالات تتطلب ذلك.

يقدم GraphRAGProv حلاً لهذه المعضلة من خلال استخدام استعلامات SPARQL لاسترجاع البيانات من الرسوم البيانية القابلة للإثبات (RDF Graphs). بناءً على هذا الأسلوب، يستطيع النموذج حساب الإجابات وكذلك ما يعرف ببوليانات الأصول (How-Provenance Polynomials) التي تسجل كيفية استخدام البيانات وكيف تم دمجها.

من خلال ربط كل بيان بمصدره النصي، يوفر GraphRAGProv واجهة تفاعلية تتيح للمستخدمين تتبع الروابط لفهم ما إذا كانت البيانات المستخرجة تعكس النص الأصلي ومدى توافق الاستعلامات مع الإجابات.

تم اختبار نموذج GraphRAGProv على 400 حالة من معيارين مختلفين لجودة الإجابة المتعددة المراحل (Multi-hop QA)، حيث أظهر النتائج وجود أخطاء في الاسترجاع والاستعلام حتى مع وجود إجابات صحيحة في النهاية. هذا يقودنا إلى أهمية تطوير نماذج واضحة وشفافة تساهم في تعزيز الثقة في نتائج الذكاء الاصطناعي!