تُعتبر نماذج اللغات الضخمة (Large Language Models - LLMs) من بين أبرز الابتكارات التقنية في العالم الحديث، حيث أثبتت كفاءتها المذهلة في معالجة المهام اللغوية. ومع ذلك، تواجه هذه النماذج تحدياً كبيراً يتمثل في استخدامها لمجموعات بيانات ثابتة، مما يتسبب في تراجع دقتها مع مرور الوقت. هنا يأتي دور "تحرير المعرفة" (Knowledge Editing - KE) الذي يتيح تحديث معلومات محددة داخل النموذج دون التأثير على البيانات غير المرتبطة.

مؤخراً، انتقلت الأبحاث من تحرير المعرفة المنظمة إلى تحرير المعرفة غير المنظمة (Unstructured Knowledge Editing - UKE) حيث يتم التعبير عن التحرير في شكل ممرات حرة يمكن أن تتضمن عدة حقائق في وقت واحد. ومع ذلك، لا تزال هناك مشكلة كبيرة تواجه هذه الطريقة: فعلى الرغم من استحداثها لمعلومات جديدة، إلا أن النماذج المعدلة لا تستطيع استرجاع الأسئلة حول تلك الحقائق بشكل فعال.

تُعرف هذه المشكلة باسم "التركيبية" (Composability)، والتي تعني عدم قدرة النموذج على تكوين استنتاجات مركبة بناءً على المعلومات الجديدة. وقد عُزي ذلك إلى الاعتماد السلبي على المعلومات الثابتة التي تم إدخالها.

لحل هذه المشكلة، تم تقديم "سياسة التحرير الهجين" (Hybrid Policy Self-Editing - HPSE)، التي تعتمد على تحديث النماذج من خلال الاستفادة من الحالة الداخلية للنموذج نفسه، دون الحاجة إلى إشراف خارجي. من خلال هذه السياسة، يتمكن النموذج من اكتساب معلومات جديدة بطريقة أكثر فعالية.

يتميز HPSE بقدرته على إنشاء مسارات هجينة تملأ الفراغات في المعرفة، وتحقق تغطية شاملة للحقائق الجديدة. هذا يفتح آفاقاً جديدة في قدرة النماذج على استرجاع المعلومات والإجابة على الأسئلة مع دقة عالية.

في تجارب متعددة، أثبت HPSE فعاليته مقارنة بالأساليب التقليدية، حيث أظهر تحسينات ملحوظة عبر أربعة نماذج أساسية وأدوات تحرير مختلفة، مما يُشير إلى أهمية الابتكار في هذا المجال.

إذا كنت متحمساً لمعرفة المزيد عن كيفية تأثير هذه الابتكارات على عالم الذكاء الاصطناعي، فلا تتردد في الاستمرار في متابعتنا!