تُواجه نماذج اللغات (Language Models) تحديات كبيرة في أدائها بسبب نقص المعرفة وضعف الأستدلال. كما تم استخدام استراتيجيات سابقة مثل استرجاع المعلومات المعزّز بالتوليد (Retrieval-Augmented Generation - RAG) وسلسلة الأفكار (Chain-of-Thought - CoT) لمعالجة هذه القضايا. لكن، غالبًا ما تخفق هذه النماذج في البيئات الحقيقية.

استنادًا إلى العلم المعرفي، الذي يُعرف حل المشكلات البشرية كبحث في فضاءات مشكلات مُركّبة بدلاً من سلاسل استدلال فردية، نشرت دراسة جديدة التي تسلط الضوء على GroupRAG، وهو إطار ثوري لتحسين استرجاع المعلومات والاستدلال مدفوعًا بالمعرفة.

تؤكد الأبحاث على أن الوعي غير الكافي بهيكلية المشكلة يُعد قيدًا رئيسيًا مهملًا. في هذا الإطار، يتم تجميع النقاط الرئيسية المعتمدة على المعرفة بنجاح، وتحديد مجموعات هيكلية كامنة داخل المشكلة، مما يمكّن عملية الاسترجاع والاستدلال من التفاعل بشكل أعمق.

أظهرت التجارب التي أجريت على اختبارات MedQA المتعلقة بالرعاية الصحية و Bar Exam QA في مجال القانون أن GroupRAG يتفوق على نماذج RAG وCoT التقليدية. الأمر الذي يشير إلى أن النمذجة الصريحة لهياكل المشكلة، المستوحاة من التفكير البشري، قد تكون الاتجاه الواعد لتحقيق استدلال مدعوم باسترجاع معلومات موثوقة.

إذا كنت مهتمًا بمستقبل الذكاء الاصطناعي وكيف يمكن أن يتحسن أداء النماذج اللغوية، فلا تتردد في مشاركة أفكارك وتجاربك في التعليقات أدناه!