في عصر تطور الذكاء الاصطناعي، يظهر مفهوم جديد يهدف إلى تعزيز أداء عملاء البحث الذاتي (Self-Evolving Search Agents) بتقنيات ثورية. تعتمد هذه التقنية على بناء عملية بحث ذاتية من خلال توليد الأسئلة وحلها دون الاعتماد الكامل على الأسئلة المدونة بشريًا، مما يُخلص هذه الأنظمة من بعض القيود التقليدية.

تقوم هذه الآلية بالأساس على إطار عمل يسمى بحث الذاتي في اللعب (Search Self-Play - SSP)، والذي يمكن العملاء من توليد الأسئلة وإجابتها عبر عمليات بحث متعددة المراحل. إلا أن SSP يواجه تحديين رئيسيين: حيث تنشأ الأسئلة من كيانات إجابة معزولة دون أي سياق علاقاتي، مما يؤدي إلى توليد أسئلة غير صالحة أو غير قابلة للتحقق في مراحل التدريب الأولية، ويعتمد حل الأسئلة على مكافآت ثنائية فقط، مما يفقد إشارات مفيدة من مسارات البحث الجزئية.

لكن الباحثون وجدوا حلاً فعالًا من خلال إعادة استخدام مسارات الرسوم البيانية المعرفية (Knowledge Graph Paths) كإشراف متوسط، مما يعزز كل من بناء الأسئلة ونظام المكافآت. أولاً، يتم تأصيل بناء الأسئلة في الرسوم البيانية المعرفية الموجهة بواسطة نماذج اللغات الضخمة (Large Language Models)، مما يوفر سياقًا علاقاتيًا للمقترح. ثانيًا، تتيح عملية بناء سؤال متعدد الخطوات تسهيل الروابط المتعلقة، حيث يمكن أن تُستخدم الكيانات الجزئية كأهداف تقريبية للإجابة.

تم تقديم نظام مكافأة تغطية النقاط (Waypoint Coverage Reward - WCR)، والذي يمنح الائتمان الجزئي للمسارات غير الصحيحة حسب تغطيتها للكيانات على مسار البناء، مع الحفاظ على المكافأة الكاملة للإجابات الصحيحة. في تجارب على سبعة معايير أسئلة وأجوبة وتسع تكوينات نموذجية، أظهرت هذه الطريقة تحسنًا ملحوظًا على أداء SSP القياسي، بما في ذلك زيادة ملحوظة في المهام متعددة الخطوات.

تشير هذه النتائج إلى أن مسارات الرسوم البيانية المعرفية يمكن استخدامها كإشراف متوسط خفيف الوزن، مما يوفر توجيهًا علاقاتيًا وتعليقًا على العملية دون الحاجة إلى إضافات بشرية خاصة بالتtask أو خطوات عملية مصنفة يدويًا.

هل تعتقد أن هذه التكنولوجيا ستغير من ملامح البحث الذاتي في الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!