في تطور ثوري يُعدّ خطوة كبيرة نحو الذكاء الاصطناعي المتقدم، تم تقديم نظام MetaKGEnrich الذي يركّز على دمج قدرات التعرف على الذات (metacognition) في التطبيقات الحديثة. تُعَدّ القدرة على مراقبة حالة المعرفة الخاصة بفرد، واكتشاف الثغرات، وملئها بشكل تلقائي، من الأمور الغائبة عن معظم أنظمة الذكاء الاصطناعي الحالية.

**كيف يعمل MetaKGEnrich؟**

يعتمد النظام الجديد على سلسلة من الخطوات الأوتوماتيكية التي تتمثل في:
1. بناء رسوم بيانية معرفية (knowledge graphs) من استفسار مبتدئ.
2. الكشف عن المناطق المتناثرة في المعرفة باستخدام سبع مقاييس بيانية.
3. استخدام نموذج GPT-4o لتوليد أسئلة مستهدفة.
4. استرداد الأدلة من الويب باستخدام خدمة Tavily ودمجها في قاعدة بيانات Neo4j.
5. إعادة الإجابة على الاستفسار باستخدام GraphRAG ليقوم نموذج GPT-4 بتقييم التحسينات.

تم اختبار هذا النظام على 30 استفسارًا من مجموعات بيانات شهيرة مثل Google Research Natural Questions وMS MARCO وHot-potQA. ولقيت النتائج إشادة كبيرة، حيث أظهرت MetaKGEnrich تحسين الجودة الإجمالية للإجابات بمعدل 80% لاستفسارات HotpotQA، و87% لاستفسارات Google Research، و83% لاستفسارات MS MARCO، مع الحفاظ على المناطق المدعومة بشكل جيد.

يُظهر هذا الابتكار كيف يمكن للممارسات الطوبوغرافية للتشخيص الذاتي والاسترجاع المستهدف أن تدفع الذكاء الاصطناعي نحو تعلم شبيه بالبشر. إن هذه النتائج ليست مجرد تحسينات تقنية، بل تمثل خطوات نحو أنظمة ذكاء اصطناعي أكثر نضجًا وقوة، تمتلك القدرة على التعلم والتكيف بشكل أفضل.

في ظل هذه التطورات المثيرة، ما رأيكم في قدرة الذكاء الاصطناعي على التعلم الذاتي؟ شاركونا بتعليقاتكم!