في عالم الذكاء الاصطناعي، تعتبر استعلامات البيانات المهيكلة (structured data queries) من المفاتيح الأساسية لإنتاج معلومات دقيقة وموثوقة. ومع ذلك، غالباً ما كانت تتعرض للتحديات من التعقيد المرتبط بالبيانات. في هذا السياق، قدمت الدراسة المشمولة في ورقة بحثية حديثة فكرة جديدة حول إطار Horn يعزز من DL-Lite.

تستند هذه الفكرة إلى نتائج محورية تتعلق بالإجابة على الاستعلامات الموجهة بواسطة الأنتولوجيا (ontology-mediated query answering - OMQA). حتى الآن، كان يُنظر إلى DL-Lite على أنها الخيار العملي الوحيد لإعادة كتابة الاستعلامات، مما ساهم في تقييد الحلول المتاحة ضمن استعلامات من الدرجة الأولى (first-order queries) والأنتولوجيات القابلة لإعادة الكتابة.

تعمل الدراسة الجديدة على إزالة هذه القيود، حيث تستهدف بيانات منسقة في شكل مخططات (graphs)، وهو ما يتطلب التعامل مع لغات استعلام قياسية مثل SQL/PGQ. من خلال تطوير آلية طبقية للتحكم في التفاعل بين الاقتران (conjunction) والاسترجاع (recursion)، تم تقديم ELbotpreceq كنموذج منطقي للوصف (description logic) يمتد بشكل صارم عن DL-Lite، ويدعم البديهيات المتعلقة بالوصول (reachability axioms) والاقتران المحدود.

هذه التطورات تؤكد أن الجدول الزمني العلوي لـ NL يمكن تثبيته من خلال إعادة كتابة الاستعلامات في شكل استعلامات مسار منتظمة ذات اتجاهين. الأمر الذي يزيد من إمكانيات تطبيق ذلك في استعلامات البيانات المعقدة، مما يجعل هذا النموذج مرشحاً واعداً لتوسيع نطاق OMQA ليشمل لغات استعلام البيانات المهيكلة.

هل تعتقد أن هذه الابتكارات ستسهم فعلاً في تحسين استعلامات البيانات المعالجة؟ شاركونا آراءكم وتجاربكم في التعليقات!