في عالم يتطور باستمرار نحو الاعتماد على الذكاء الاصطناعي، أصبحت تقنيات توافق الأنطولوجيا (Ontology Alignment) واحدة من المفاتيح الأساسية لضمان تفاعل البيانات بسلاسة وفاعلية. على مر السنوات، تطورت أساليب توافق الأنطولوجيا بشكل كبير، حيث انتقلنا من الأساليب التقليدية التي تركز على التركيب اللغوي (lexical) إلى نماذج تضمين الرسم البياني المعرفي (KGE) ونماذج اللغة الكبيرة (LLM) التي تعتمد على الذكاء الاصطناعي.

ومع ذلك، كانت هناك حاجة ملحة لتحسين الطريقة التي يتم بها التوفيق بين تنبؤات هذه الأنظمة المتنوعة، خاصة عندما تتضارب النتائج. هنا يأتي دور OntoAligner-Ensemble، الإطار الجديد الذي يتيح دمج مخرجات المتوافِقات المختلفة عبر عملية مصممة بذكاء تتألف من مرحلتين.

هذا الإطار المعياري (modular) وغير المرتبط بنوع محدد من المتوافِقات، يعتمد على استراتيجيات دمج قائمة على التصويت (voting-based fusion) ويستخدم سياسات اختيار ما بعد الدمج للتأكيد على جودة النتائج. يتضمن OntoAligner-Ensemble ارتفاعاً في الأداء بفضل مرونته في السماح بدمج أي نوع من المتوافقات التي تنتج نتائج مرشحة.

لتقييم فعالية OntoAligner-Ensemble، تم إجراء تجارب باستخدام مجموعة متنوعة من أدوات المطابقة من بينها أدوات خفيفة الوزن تعتمد على السلاسل وأدوات توازي الرسم البياني المعرفي وأدوات تعتمد على توليد المعلومات المعززة بالاسترجاع، مدعومة بنماذج لغة ذات أوزان مفتوحة أو موفرة من واجهات برمجة التطبيقات.

أظهرت النتائج أن الدمج بين المتوافقات يعزز بشكل ملحوظ التوازن بين الدقة والاستدعاء، حيث يتفوق هذا الأسلوب الجديد على المتوافقات المستقلة في العديد من المجالات. والأكثر من ذلك، بينت التحليلات أن تركيبة مجموعة المتوافقات تؤثر بشكل مباشر على دقة العروض: حيث تساهم المجموعات الهرمية في تحسين الدقة، بينما تحقق المجموعات المتراصة من نماذج اللغة الكبيرة غالباً درجات F1 أعلى.

ببساطة، تقدم OntoAligner-Ensemble استراتيجية جديدة وموثوقة لتوافق الأنطولوجيا مع توجيهات عملية لاختيار تركيبات المجموعة وفقاً لمتطلبات التوافق المختلفة.

ما رأيكم في هذه الخطوة الجديدة نحو تحسين توافق البيانات؟ شاركونا آراءكم في التعليقات.