في عالم الذكاء الاصطناعي، تعد الرسوم البيانية للمعرفة (Knowledge Graphs) ونماذج اللغات الضخمة (Large Language Models) من الأدوات الأساسية لتحسين دقة التفاعل مع البيانات. وقد أظهرت الأبحاث الأخيرة أن الجمع بين هذين المجالين يمكن أن يزيد من فعالية النظام في التعامل مع المهام المعقدة، خاصة في مجال الإجابة على الأسئلة المتعلقة بالمعرفة.

على الرغم من أن الأساليب الحالية، مثل تلك التي تعتمد على التقنيات المستندة إلى الاسترجاع (Retrieval-Augmented Generation RAG) أو الوكلاء (Agent-based)، قد حققت بعض النجاح، إلا أنها تواجه تحديات ملحوظة، مثل فقدان المعلومات الهيكلية وعدم الدقة في التفكير.

لذا، قدمت الدراسة الجديدة مفهوم KG2Code الذي يحول الرسوم البيانية للمعرفة إلى تمثيل قائم على الكود. هذا التحول ليس مجرد تغيير شكلي، بل يعزز من فهم النموذج للمعنى الهيكلي، ويتناسب بسلاسة مع التأهيل المسبق لنماذج اللغات.

واستنادًا إلى KG2Code، تم تقديم إطار KG2Code-QA الذي يعيد صياغة المهمة كعملية توليد كود. هذه الطريقة تتيح توليد آثار تفكير قابلة للتحقق وكود قابل للتنفيذ، مما يساهم في تقليل المشكلات الناجمة عن الهلوسة في البيانات. ومع ذلك، تم تطوير خط أنابيب آلي لتجميع مجموعة بيانات ضخمة وعالية الجودة، مما يمهد الطريق لتدريب نماذج مفتوحة المصدر بفاعلية.

بعد اجتياز عملية التدريب، أصبح بإمكان نماذج اللغات الضخمة أداء مهام الإجابة على الأسئلة المتعلقة بالمعرفة في سيناريوهات عدم وجود بيانات مسبقة، مما يفتح آفاق جديدة أمام التطبيقات المختلفة. تشير التجارب الواسعة إلى أن النهج المقترح يتفوق بشكل كبير على الأساليب الحالية المحسنة للرسوم البيانية للمعرفة، بينما يظهر قدرة قوية على التعميم على رسوم بيانية جديدة لم تُشاهد من قبل.

ما الذي يعنيه هذا التقدم بالنسبة لمستقبل الذكاء الاصطناعي وكيف سيغير طريقة تفاعلنا مع البيانات؟ تابعونا لمزيد من التطورات المثيرة في هذا المجال!