اكتشاف قوة GRASP: النظام الثوري للإجابة عن الأسئلة متعددة الخطوات!

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

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

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

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

تم اختبار [أداء](/tag/أداء) [GRASP](/tag/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](/tag/grasp) أعلى [دقة](/tag/دقة) في استرجاع الإجابات على MuSiQue و2Wiki مع استخدام 40-50% أقل من الرموز مقارنةً بأنظمة اقتصادية أخرى.

علاوةً على ذلك، احتل [GRASP](/tag/grasp) الصدارة في [دقة](/tag/دقة) EM وF1 [عبر](/tag/عبر) جميع [مجموعات البيانات](/tag/مجموعات-[البيانات](/tag/البيانات)) الثلاث في إعداد LongBench مع استخدام 30% أقل من الرموز مقارنة بأكثر الطرق [دقة](/tag/دقة).

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

ما رأيكم في هذا [الابتكار](/tag/الابتكار)؟ هل تعتقدون أنه سيشكل تحولاً في كيفية الإجابة عن الأسئلة متعددة الخطوات؟ شاركونا في [التعليقات](/tag/التعليقات)!