في ظل التقدم السريع في مجالات الذكاء الاصطناعي، ورغم الإمكانيات الهائلة لنماذج اللغة الكبرى (Large Language Models - LLMs)، لا تزال هناك تحديات تعترض سبيل تطبيق هذه النماذج في أنظمة الأعمال الموزعة. من أكثر المشكلات تعقيدًا هي الخطأ في الاستنتاجات المتعددة (multi-hop) وفشل التوجهات المعقدة (n-ary reasoning). قد تعاني الأساليب القائمة مثل GraphRAG و NL2SQL من نقص في التأسيس الدلالي والتنفيذ القابل للمراقبة اللازمة لهذه البيئات المعقدة.

نقدم لكم نظام HEAR، وهو نظام متقدم لفهم الأسباب في الأعمال، مبني على هيكل هيبرباني هيراركي (Stratified Hypergraph Ontology). تتميز هذه المنظومة بطبقة رسم بياني أساسية تقوم بتخيل واجهات البيانات التي تضمن موثوقية المصدر، بينما تقوم طبقة الهايبر إيدج بتشفير القواعد التجارية وإجراءات العمل المتعددة.

يعمل HEAR من خلال حلقة استنتاج مدفوعة بالأدلة، حيث يقوم بتنظيم أدوات المفاهيم بشكل ديناميكي لتحليل متعدد الخطوات من دون الحاجة لإعادة تدريب نماذج اللغة الكبرى. أظهرت التقييمات المتنوعة، بما في ذلك تحليل أسباب الانسداد في سلسلة الإمداد، أن HEAR حقق دقة تصل إلى 94.7%. الأهم من ذلك، يظهر HEAR كفاءة متكيفة، حيث يستخدم الهايبر إيدج لإجراءات العمل لتقليل تكاليف الرموز مع الاستفادة من الاستكشاف الطوبولوجي لضمان الدقة العالية في الاستفسارات المعقدة.

من خلال التوافق بين أداء النموذج الخاص مع النماذج ذات الأوزان المفتوحة، وتلقائية التشخيص اليدوي، يضع HEAR أساسًا قابلًا للتوسع وقابلًا للمراجعة للذكاء المؤسسي.

هل أنتم مستعدون لاحتضان هذه التقنية الرائدة في إدارة الأعمال؟ شاركونا آراءكم في التعليقات!