في عالم الذكاء الاصطناعي، يتطلب تحسين أنظمة الإجابة عن الأسئلة متعددة الخطوات (Multi-hop Question Answering) الابتكار والتطور المستمر. وقد تمثل نظام GRASP (Graph Agentic Search over Propositions) نقلة نوعية في هذا المجال.

يعتمد نظام GRASP على مفهوم استرجاع المعلومات الذاتي (Agentic Retrieval) ليمنح نماذج اللغة القدرة على جمع الأدلة بشكل تكراري وباستقلالية تامة. في السنوات الأخيرة، تم تعزيز هذه الأنظمة مع الرسوم المعرفية (Knowledge Graphs) لتسهيل التنقل الهيكلي، لكن هذه التطورات كانت تأتي بتكاليف باهظة تتمثل في إنشاء الرسوم أثناء الفهرسة وزيادة استخدام الرموز أثناء الاستدلال.

تقدم GRASP حلاً مبتكرًا يجمع بين الدقة العالية وأقل استخدام ممكن للرموز أثناء معالجة الأسئلة المعقدة. على عكس الأنظمة التقليدية التي تعتمد على استعلامات ثابتة، يقوم GRASP بتنسيق استراتيجيات الاسترجاع من خلال تقسيم استعلامات الأسئلة إلى خطط تراعي الاعتماد

يستخدم GRASP ثلاث طبقات هيراركية من الرسوم المكية، تشمل الكيانات (Entities) والاقتراحات (Propositions) والفقرات (Passages). حيث تهدف الطبقة الأولى لتعزيز التنقل المستهدف، بينما تساهم الطبقة الثانية في استرجاع الفقرات بدقة عالية من خلال تصويت المراتب المتبادلة.

تم اختبار أداء GRASP على مجموعة من التحديات مثل MuSiQue، و2WikiMultihopQA، وHotpotQA، في إعدادين مختلفين: استرجاع المفتاح المفتوح (Open-corpus Retrieval) والتفكير في السياقات الموسعة (LongBench). أظهر GRASP أعلى دقة في استرجاع الإجابات على MuSiQue و2Wiki مع استخدام 40-50% أقل من الرموز مقارنةً بأنظمة اقتصادية أخرى.

علاوةً على ذلك، احتل GRASP الصدارة في دقة EM وF1 عبر جميع مجموعات البيانات الثلاث في إعداد LongBench مع استخدام 30% أقل من الرموز مقارنة بأكثر الطرق دقة.

خلاصة القول، يقدم GRASP فكرة جديدة حول الاقتصاد الناجح، مما يعكس التكلفة الرمزية الموزونة لكل إجابة صحيحة وبناء على مستوى الصعوبة. ويدعو المطورون إلى تقييم مبني على الكفاءة ليكون ممارسة قياسية في عالم الإجابة المعتمدة على الأنظمة المستقلة.

ما رأيكم في هذا الابتكار؟ هل تعتقدون أنه سيشكل تحولاً في كيفية الإجابة عن الأسئلة متعددة الخطوات؟ شاركونا في التعليقات!