في عالم متزايد التعقيد حيث تعتمد الروبوتات الذكية على نماذج اللغات الضخمة (Large Language Models)، يقدم ProvenanceGuard حلاً يتبنى الفهم الأعمق لمصادر المعلومات المستخدمة. يعمل نظام Model Context Protocol (MCP) على تمكين الوكلاء من الاستجابة استناداً إلى مجموعة متنوعة من الأدلة، بما في ذلك بيانات البحث، وواجهات برمجة التطبيقات، والسجلات السريرية.


أحد التحديات الكبرى في هذا السياق هو ما يُعرف بالتشويش على المصادر المتداخلة، حيث يمكن أن تُنسب الادعاءات إلى مصدر خاطئ حتى لو كانت مثبتة من مصدر آخر. لكسر هذه الحلقة، تم تطوير ProvenanceGuard كأداة تحقق حساسة للمصدر، تعتمد على تتبع بيانات MCP بشكل دقيق.


كيف يعمل ProvenanceGuard؟ يقوم بأخذ تتبع البيانات باستخدام معرفات الأدوات المستقرة، وتفكيك الإجابات إلى ادعاءات دقيقة، وتوجيه هذه الادعاءات إلى الأدلة المرتبطة بالمصدر المحدد. بعد ذلك، يتم التحقق من دعم هذه الادعاءات باستخدام معايير التحقق اللغوي وعوامل المطابقة، لتقديم قرارات دقيقة حول كل ادعاء والإجابات الناتجة.


أظهرت التجارب التي شملت 281 مساراً في المجال الطبي أن ProvenanceGuard حقق نتائج مذهلة، حيث سجل مستوى دقة للمصدر بلغ 0.858. كما أظهرت النتائج أنه حتى في الحالات التي تم فيها تشويش مصادر متعددة، تمت معالجة جميع الإجابات المحجوزة بنجاح من خلال مراجعة دقيقة. هذا يثبت أن نسبة المصدر تعتبر عنصراً أساسياً في التحقق من الحقائق، مما يفتح آفاق جديدة لتعزيز موثوقية المعلومات في الذكاء الاصطناعي.


إن ProvenanceGuard يمثل خطوة كبيرة نحو ضمان دقة المعلومات، مما يشجع المطورين والباحثين على تبني هذا النوع من التحليلات لتفادي الأخطاء والتشويش.