في عالم الذكاء الاصطناعي، تأتي الابتكارات في العديد من الأشكال، ومن أبرزها النماذج المعتمدة على الرسوم البيانية للمعرفة (Knowledge Graph). في دراسة جديدة نشرت على منصة arXiv، تم الكشف عن نموذج جديد يحقق تنبؤًا بالروابط في الرسوم البيانية بشكل غير متوقع ودون الحاجة لتدريب مسبق.

يتعلق الأمر بإعادة تصور آلية الربط، حيث يتم تعديل المدخلات لتصبح أكثر فعالية. كل حقيقة تصبح عقدة (Node)، تتصل بموضوعها (Subject) وموضوعها المرتبط (Object) ونوع العلاقة (Relation Type) من خلال مجموعة ثابتة من ستة علاقات ميتا. وهذا يعني أن نوع العلاقة يتم اعتباره كعقدة مشتركة، بدلاً من أن يكون جزءًا من معايير النموذج.

ذكرت الدراسة أن خمسة نماذج GNN شهيرة، بما في ذلك GAT وGraphSAGE، استطاعت تحقيق تنبؤات دقيقة عبر 40 معيارًا تحليليًا دون الحاجة إلى تدريب مسبق فعال. النموذج المعروف GAT أظهر أداءً مثيرًا يعادل نموذج ULTRA، الذي تم تدريبه مسبقًا على ثلاث رسوم بيانية.

يمكن أيضًا تطبيق هذا الابتكار في قواعد البيانات العلائقية، حيث تتحول الصفوف إلى كيانات (Entities) ويصبح عمود المفاتيح الخارجية نوع علاقة. أثبتت التجارب الأولية أن النموذج يمكنه تصنيف أهداف المفاتيح الخارجية بكفاءة عالية.

وراء هذه الابتكارات، يتطلع العلماء إلى نشر الكود ونتائج التقييم لجميع المعايير الـ40، مما سيعزز من قدرة الباحثين والمطورين على استغلال هذه التقنيات في مشاريعهم المستقبلية. بالنظر إلى هذه التحسينات في نماذج تنبؤ الروابط، كيف ترى مستقبل تطبيقات الذكاء الاصطناعي في مجالات جديدة؟ شاركونا آرائكم في التعليقات!