في عالم الذكاء الاصطناعي، تُعتبر تقنيات الاسترجاع المعززة (Retrieval-Augmented Generation - RAG) إحدى التطورات المثيرة التي تهدف إلى تعزيز قدرة نماذج اللغات الضخمة (Large Language Models - LLMs) في إنتاج محتوى قائم على وثائق مسترجعة. ولكن، على الرغم من ذلك، غالباً ما تعاني المرحلة النهائية من الاسترجاع - أي التشابه الكثيف بين المتجهات - من عيب جوهري، حيث تعيد الوثائق التي تتشارك الكلمات الرئيسية مع الاستعلام دون أن تحتوي على المعلومات المطلوبة.

وهذا العيب يتفاقم مع اتساع قاعدة البيانات. لكن العلماء قاموا بتعقب الجذور المفهومية لهذا الأمر، حيث أوضحوا أن التشابه لا يتجاوز العلاقات الارتباطية، بينما الوثائق التي تحمل قيمة حقيقية تكون مرتبطة بالاستعلام بشكل سببي.

لذا، طُوّرت نموذج جديد يعتمد على الرسوم البيانية السببية (causal graph) مستندة إلى مبدأ السبب المشترك لريخينباخ (Reichenbach's common cause principle)، حيث يتم ربط الكلمات الرئيسية المشتركة بين الاستعلام والوثيقة المسترجعة عبر سبب مشترك خفي A، بينما تشكل الكلمات المتبقية للوثيقة مجموعة خفية B تربط الوثيقة بالخروج المثالي.

تظهر النتائج الأولية أن هذه الطريقة تقدم موثوقية بنسبة 95% عند اختبارها ضمن بيئة محلية، مما يثبت قابليتها للتطبيق في مجالات متعددة. هل ستكون هذه التقنية هي الأساس للجيل القادم من أنظمة الذكاء الاصطناعي؟ الوقت وحده كفيل بإجابة هذا السؤال.