في عالم الذكاء الاصطناعي، تشكل الأنطولوجيا (Ontology) قاعدة بيانات معقدة تهدف إلى تنظيم المعرفة، وتوسيعها يعد عملية حيوية تسعى الشركات والأبحاث لتحقيقها. وفي هذا السياق، تم تقديم OntoExtend، وهو إطار عمل جديد تم تطويره لتسهيل وتوسيع الأنطولوجيات استنادًا إلى المتطلبات المتطورة.
توسيع الأنطولوجيا ينطوي على إثراء أنطولوجيا موجودة لتكون أكثر اكتمالاً، ولكنه يواجه العديد من التحديات مثل استهلاك الموارد وزيادة الأخطاء. لقد أثبتت نماذج اللغة الكبيرة (LLMs) قدرتها على توليد أنطولوجيات من الصفر، لكن الكثير من الأساليب الحالية لا تربط بين التوسيع الفعلي للأنطولوجيا والمتطلبات أو النماذج الأساسية القابلة لإعادة الاستخدام.
تقوم OntoExtend باستخدام ما يسمى بتوليد معزز بالاسترجاع (Retrieval-Augmented Generation - RAG) بالاستناد إلى الأنطولوجيات المدخلة ذات الصلة والمتطلبات في شكل أسئلة كفاءات (Competency Questions). يُظهر إطار العمل فعاليته من خلال تقييمه على 39 سؤال كفاءة من حالتين دراسيتين: أنطولوجيا مشروع عام من الاتحاد الأوروبي، Onto-DESIDE، وأنطولوجيا صناعية من شركة Bosch.
وقد أظهرت النتائج أن الأجزاء المولدة تفي بجميع اختبارات التقييم الوظيفي، حيث تم تصنيفها من قبل مهندسي الأنطولوجيا ك requiring minor to moderate revision قبل الاندماج. تشير هذه النتائج إلى أن OntoExtend يمثل أداة مساعدة مفيدة لتوسيع الأنطولوجيا استنادًا إلى المتطلبات في السيناريوهات الحقيقية، مع الحفاظ على حساسية تجاه تخصص سؤال الكفاءة وملف النمذجة.
إذا كنت تعمل في مجال الذكاء الاصطناعي أو تعنى بتوسيع الأنطولوجيا، فمن المؤكد أن OntoExtend سيكون له تأثير كبير على طريقة عملك.
ما رأيكم في هذا التطور؟ شاركونا في التعليقات.