في عالم الذكاء الاصطناعي، يُعتبر استرجاع البيانات (Retrieval) أحد العناصر الحيوية التي تحدد جودة النماذج الذكية. وقد أظهرت الأبحاث الحديثة أن نماذج اللغة الكبيرة (Large Language Models) تحتاج إلى تحسين تقنيات استرجاع المعرفة في سياقات متعددة الوسائط (Multimodal). في هذا السياق، أُعلن مؤخرًا عن MKG-RAG-Bench، وهو معيار جديد مصمم خصيصًا لتقييم فعالية استرجاع المعرفة في أنظمة توليد البيانات المدعومة برسوم بيانية متعددة الوسائط.

تُعتبر المشاكل الحالية في استرجاع المعرفة من أكبر القيود التي تواجه مستخدمي أنظمة MKG-RAG. فعلى الرغم من الفوائد العديدة التي تقدمها هذه الأنظمة، إلا أن التوجه نحو استرجاع البيانات المتعددة الوسائط ما يزال مليئًا بالتحديات. يتيح MKG-RAG-Bench الفرصة لوضع معايير دقيقة للتقييم، حيث يتم بناء هذا المعيار باستخدام مجموعة من الرسوم البيانية متعددة الوسائط التي تغطي مجالات عامة وطبية.

يتضمن MKG-RAG-Bench أيضًا مجموعات بيانات تم تنسيقها بعناية لدعم التقييم المتحكم فيه لكل من الاسترجاع والتوليد الاحق. وهذا يعني أن بإمكان الباحثين الآن اختبار الأداء في بيئات متنوعة وفهم كيف تؤثر جودة الاسترجاع بشكل مباشر على نتائج التوليد.

من خلال سلسلة من التجارب المكثفة عبر مختلف إعدادات الاسترجاع، يظهر أن استرجاع البيانات المتعددة الوسائط يُعد مجهودًا مهمًا ولكنه معقد، مما يجعل MKG-RAG-Bench نقطة انطلاق هامة لتشخيص التحديات الحالية وتطوير أنظمة KG-RAG المستقبلية.