في عالم الذكاء الاصطناعي، يبقى تعلم الأنطولوجيا (Ontology Learning) من النصوص حجر عثرة بالنسبة للعديد من الباحثين، على الرغم من التقدم الملحوظ في تكنولوجيا نماذج اللغة الكبيرة (Large Language Models - LLMs). إذ قد تواجه هذه النماذج صعوبات في إنتاج مصطلحات دقيقة، وفي بعض الأحيان تُنتج معلومات غير متسقة، مما يجعلها تفضل العلاقات الهيكلية على العلاقات الترابطية.

في تحدي LLMs4OL 2026، يقوم الفريق بمواجهة هذه التحديات عبر الانطلاق من مهام متعددة. تم تقسيم العمل إلى مهمتين رئيسيتين: مهمة تطوير الأنطولوجيا (Task A) ومهمة إعادة استخدام الأنطولوجيا (Task B). يعتمد الفريق على نظام حديث يتضمن استرجاع معزز (Retrieval-Augmented Generation) من خلال نموذج Qwen2.5-14B-Instruct بالتعاون مع نموذج MiniLM، مما يسمح باختيار أفضل الأمثلة لتقديمها في كل من المهمتين.

باستخدام استراتيجيات متطورة مثل Windowing لتخصيص السياق، يسعى الفريق للحفاظ على دقة التعليمات المطلوبة ضمن الطلبات الطويلة. بالنسبة لمهمة إعادة الاستخدام، يتم تطبيق تصفية متسقة للمفردات، مما يضمن الاحتفاظ فقط بالثلاثيات التي تتطابق مع المفردات المحددة. على سبيل المثال، حقق الفريق مؤشرات أداء مثيرة للإعجاب مثل درجة التشابه في الرسم البياني الدلالي 0.8692، والـ F1 الخاص بأنواع المصطلحات 0.9200، بينما سجلت مهمة تطوير الأنطولوجيا درجة 0.7416.

ومع ذلك، تبرز هذه الإنجازات القصور الضمني في الاعتماد على المفردات الثابتة التي تتمحور حول التصنيفات، حيث لم يتم استخراج أي علاقات غير تصنيفية، مما يبقي الباب مفتوحًا نحو التحديات المستقبلية.

هل تعتقد أن هذه التكنولوجيا يمكن أن تغير ميزان الأداء في الذكاء الاصطناعي؟ شاركونا بآرائكم في التعليقات!