تتقدم تقنيات الذكاء الاصطناعي بوتيرة سريعة، ومن بين تلك التطورات يعد KGCache خطوة هائلة في مجال استرجاع المعلومات. الباحثون في هذا المجال وجدو أن نماذج اللغات الضخمة (LLMs) تستطيع الإجابة عن الأسئلة المعقدة والتي تتطلب معرفة عميقة بشكل أكثر موثوقية عند الاستناد إلى الرسوم البيانية المعرفية (Knowledge Graphs).

تقوم الأنظمة مثل Think-on-Graph وReasoning-on-Graph بالاستعلام بشكل متكرر عن نفس مناطق الرسوم البيانية عبر أسئلة مختلفة، ما أدى إلى زيادة زمن التنفيذ. هنا يأتي دور KGCache، وهو نظام تخزين مؤقت في الذاكرة يتم تصميمه ليكون متوافقًا مع كل من أسلوب المرور التكراري (ToG) والتخطيط الفوري (RoG) في مهام استرجاع الأسئلة المتعلقة بالرسوم البيانية.

يتم وضع KGCache بين محرك استرجاع الرسوم البيانية والخادم الذي يقدم الرسوم البيانية، بحيث يمكن تلبية طلبات الكيانات المتكررة من الذاكرة بدلاً من إصدار استعلامات جديدة. وقد أظهرت تقييمات KGCache على مجموعتي WebQSP وCWQ نتائج مثيرة، حيث أكدت وجود استخدام كبير لنفس الكيانات بين الكيانات المبدئية والكيانات التي تم الوصول إليها أثناء العملية.

استكشفت الدراسة أيضًا مفهوم التخزين المؤقت الدلالي لاستعلامات مماثلة، مما أظهر زيادة إضافية في معدلات النجاح. وجد أن التخزين المؤقت للكيانات يمكن أن يسرع عملية استرجاع المعلومات بمعدل يصل إلى 1.91 مرة، بينما يمكن لتخزين السياق الدلالي أن يحقق زيادة تصل إلى 1.06 مرة في سرعة النظام الكامل وفقًا لتقييمات WebQSP. كل حالة من النجاح كانت أسرع بمعدل يصل إلى 3.73 مرة.

تقنية KGCache تمهد الطريق لمستقبل أكثر كفاءة في استرجاع المعلومات، مما يشير إلى إمكانية تحسين استجابة نماذج اللغات الضخمة بشكل كبير. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.