في عالم الذكاء الاصطناعي، تمثل الحاجة إلى استرجاع الوثائق بدقة وكفاءة من أبرز التحديات. هنا يبرز الإطار الجديد الذي يحمل اسم ICICLE، الذي يعد بتحسين استرجاع الوثائق (document retrieval) بطريقة ذكية. في الأبحاث التقليدية، يرتبط الاسترجاع الجيني (Generative Retrieval) بتحديد استعلامات مباشرة إلى معرّفات الوثائق (docids) باستخدام المعرفة النموذجية، ولكن هذا التصميم يؤثر على تكلفة توسيع مجموعة البيانات: حيث تقتضي إضافة مستندات جديدة تحديث معايير النموذج ما يؤدي إلى ضرورة التدريب المتكرر وفقدان مأساوي للوثائق التي تم فهرستها مسبقًا.

ماذا لو كان بإمكاننا تجاوز هذه العقبات؟

تقدم ICICLE حلاً مبتكرًا من خلال إعادة تقييم الاسترجاع الجيني كمسألة استرجاع سياقي (in-context retrieval)، حيث يتم تقديم الوثائق المضافة حديثًا كأدلة أثناء عملية الاستدلال. يعتمد ICICLE على إطار عمل يحقق توليد معرف الوثيقة (docid generation) بوعي بالمصدر عبر كل من الذاكرة المعلماتية (parametric memory) والأزواج الوثائقية المقدمة من السياق. يدمج ICICLE آلية توجيه قائمة على فكرة النسخ ([COPY])، ومعايرة مبنية على التفضيلات، وتكيف سياقي واسع لتمييز الاسترجاع المستند إلى السياق عن الاسترجاع القائم على المعايير.

وقد أثبتت التجارب التي أجريت على مجموعة بيانات MS MARCO وNQ320K أن ICICLE يقوم بتحسين استرجاع الوثائق المضافة حديثًا مع الحفاظ على الاحتفاظ بالوثائق التي تم رؤيتها مسبقًا دون الحاجة إلى إعادة تدريب محددات مجموعة البيانات. تبرز تحليلاتنا كذلك أن تدهور الأداء عند وجود عدد كبير من الوثائق يعود في الغالب إلى فشل في التوجيه، مما يجعل معايرة اختيار المصدر نقطة اختناق رئيسية لتوسيع نطاق الاسترجاع الجيني السياقي.

يبدو أن ICICLE يمثل بوضوح خطوة نحو الأمام في كيفية معالجة تحديات استرجاع الوثائق في الزمن الحالي. هل أنتم متحمسون للمزيد من التطورات في مجال الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!