في عالم الذكاء الاصطناعي، تعتبر إجابة الأسئلة من خلال الرسوم البيانية للمعرفة (Knowledge Graphs - KGs) أحد التحديات المثيرة التي تهدف إلى مساعدة المستخدمين في الحصول على المعلومات المطلوبة بسرعة ودقة. ولكن، تواجه هذه العمليات عقبة كبيرة تتمثل في احتياجها إلى إشراف تمهيدي عالي الجودة، يتضمن مسارات أو فرعيات تتعلق بالسؤال المراد إجابته، وهو أمر يستغرق الكثير من الوقت والموارد.

هذا هو المكان الذي يبرز فيه الابتكار الجديد المسماة PathISE، وهو إطار عمل مبتكر يهدف إلى تحسين عملية التعلم من خلال توفير إشراف تمهيدي فعال دون الحاجة إلى الاعتماد على إشراف مكلف من نماذج اللغة الضخمة (Large Language Models - LLMs). يعتمد PathISE على استخدام تقدير بسيط قائم على المحولات لتقدير قيمة المعلومات في المسارات من أجل بناء إشراف تمهيدي زائف.

يتم استغلال هذا الإشراف بعد ذلك لتغذية نموذج مولد مسارات مبني على LLM، مما يتيح توفير أدلة مركزة لدعم التفكير الاستنتاجي في عملية الإجابة. وقد أظهرت التجارب الواسعة على ثلاث معايير لإجابة الأسئلة المعتمدة على الرسوم البيانية أن PathISE يحقق أداءً تنافسياً، مما يجعله رائدًا في هذا المجال.

بهذا الابتكار، يقدم PathISE إمكانيات جديدة لتعزيز نماذج الإجابة عن الأسئلة دون الحاجة إلى الاعتماد على إشراف عالي التكلفة، مما يفتح آفاقًا جديدة للبحث والتطبيق في مجال الذكاء الاصطناعي.