في عالم الذكاء الاصطناعي، تعتبر أنظمة الإجابة على الأسئلة (QA) من أبرز الابتكارات التي توفر تجربة مستخدم سلسة وفورية. ومع ذلك، تواجه هذه الأنظمة تحديات كبيرة، خاصة عندما يتعلق الأمر بمعالجة بيانات متعددة المراجعات مثل المسودات، وعمليات الإلغاء، والمصادر المتنوعة. قد تعاني هذه الأنظمة من ارتفاع تكاليف المعالجة، إذ أنها تحتاج إلى إعادة بناء الحالة الحالية من كل قراءة. لذا، ظهرت تقنية جديدة تُعرف بتجميع الحقائق في وقت الإدخال (Ingest-Time Fact Compilation) لتغيير هذه اللعبة.

تعمل هذه التقنية على معالجة البيانات عند إدخالها أو تغييرها، حيث تتم إعادة صياغة الفقرات الأصلية إلى حقائق مستقلة. بالتالي، تُحَل القواعد المتعلقة بالمراجعات، والإلغاء، والتواريخ الفعالة، وثقة المصادر لمرة واحدة فقط، ثم تُخزن الحالة النهائية كسجلات مُعَلمة تحمل معلومات عن المصدر والمراجعة.

وعند استعلام المستخدم، يقوم نموذج منخفض التكلفة بقراءة السجل المجمع بدلاً من إعادة بناء المعلومات من موارد غير موثوقة.

في تجارب أجريت على نموذج موحد عبر خمسة تجارب، أظهر النموذج المنخفض التكلفة دقة غير مسبوقة عند استخدام البيانات المجانية، وبأقل تكلفة بمتوسط يبلغ 12.89 مرة أقل من تكلفة إعادة البناء التقليدية. كما وفرت تقنية التجميع الجديدة استخداماً أقل للرموز بنسبة 21.6 مرة عند معالجة أسئلة أكثر بساطة.

علاوة على ذلك، أظهرت اختبارات إضافية أن إعادة صياغة الحقائق قلّصت الحوار المطول من احتياطي الفيدرالي بنسبة تقارب 50%، بينما حافظت على استنتاجات المصادر بدقة عالية.

تعد هذه النتائج دليلاً قوياً لدعم فكرة بسيطة: معالجة حالة مجموعة البيانات مرة واحدة يمكن أن تجعل عمليات QA أكثر كفاءة وموثوقية لنماذج منخفضة التكلفة. والأهم من ذلك، أنه تم إطلاق رمز المصدر المفتوح (MIT License) المرتبط بهذه الابتكارات ليكون في متناول المطورين والباحثين.