في عالم الذكاء الاصطناعي، تُظهر نماذج اللغات (Language Models) قيودًا أساسية مثل الهلوسة (hallucination) وسهولة الانكسار (brittleness) وعدم القدرة على الاعتماد على الأسس الرسمية، مما يشكل تحدياً كبيراً في المجالات التخصصية التي تتطلب استنتاجات قابلة للتحقق. في إطار هذه الدراسة المبتكرة، تم البحث في إمكانية استخدام الأنطولوجيات الرسمية لتعزيز موثوقية نماذج اللغة عبر توليد مُعزز من خلال الاسترجاع (retrieval-augmented generation).

تم استخدام الرياضيات كحالة اختبار، حيث تم تنفيذ سلسلة من الأنظمة العصبية الرمزية (neuro-symbolic pipeline) بتوجيه من أنطولوجيا OpenMath، مع دمج الاسترجاع الهجين وإعادة الترتيب من خلال المحوِلات المتقاطعة (cross-encoder reranking) لإدخال التعريفات ذات الصلة في التلقيمات الخاصة بالنموذج.

كشفت التجارب التي أجريت على معيار MATH باستخدام ثلاثة نماذج مفتوحة المصدر أن السياق المدعوم بالأنطولوجيا يُحسن الأداء عندما تكون جودة الاسترجاع مرتفعة؛ لكن السياق غير ذي الصلة يؤدي بشكل فعال إلى انخفاض الأداء. تبرز هذه النتائج الوعد الكبير الذي تحمله الأساليب العصبية الرمزية، لكن أيضًا التحديات المستمرة التي تواجهها.

إن دمج المعرفة الرياضية مع نماذج الذكاء الاصطناعي قد يفتح آفاقًا جديدة لتحسين أداء هذه النماذج في مجالات تتطلب دقة عالية وموثوقية، مما يجعلنا نتساءل: ما الذي قد تفعله الأنطولوجيات الرسمية في مجالات أخرى؟