تكنولوجيا حديثة تعزز استرجاع المعلومات من الشبكات المعرفية بطريقة مبتكرة!

مع تزايد تعقيدات الأسئلة التي يطرحها مستخدمو الذكاء الاصطناعي، يظهر طلب حقيقي لتقديم حلول مبتكرة في استرجاع المعلومات. في هذا السياق، تم بناء نظام جديد يُعرف باسم *Graph RAG*، الذي يتفوق على الطرق التقليدية لاسترجاع الفقرات، ويعتمد على الهياكل البيانية في الإجابات على الأسئلة متعددة الخطوات.

في الأنظمة الحالية، تعتمد العملية بشكل أساسي على بنية الرسوم البيانية، حيث تقتصر الأسئلة على تحديد نقاط البداية دون مراعاة مباشر لمحتوى الاستفسار. ولكن مع ظهور نظام *QAFD-RAG*، تم إدخال مفهوم الهياكل التي تأخذ في اعتبارها استجابة الاستفسارات، وهو ما يعرف بالتنقل المعتمد على الاستجابة (query-aware traversal).

للأسف، فقد كانت هذه الطريقة تتطلب تحميل الرسم البياني كاملاً إلى ذاكرة بايثون، مما يزيد من التعقيد في تكاملها مع قواعد البيانات الرسومية. هنا يأتي دور الابتكار: نقوم بتقديم طريقة *spreading-activation*، التي تحقق نفس التنقل المعتمد على الاستجابة من خلال بوابة دلالية واحدة في كل خطوة، والتي يتم تحديد وزن الخطوة من خلال التشابه الكوني (cosine similarity) بين وصف الكيان المرشح والسؤال نفسه.

توفر هذه الطريقة عملية استرجاع شاملة تبدأ من تحديد النقاط، وتنتقل إلى الانتشار، ثم اختيار أعلى K، وتجميع السياق، كل ذلك في استعلام Cypher واحد يتم تنفيذه في رحلة واحدة إلى قاعدة بيانات *Neo4j*. مثير للدهشة، أن الأداء المقارن للنظام الجديد يُظهر نتائج متقاربة جدًا مع *QAFD-RAG*، بل وتفوق عليه في بعض الحالات.

تؤكد البيانات أن هذه الطريقة ليست فقط أكثر كفاءة، ولكنها أيضًا تقليص زمن الاسترجاع بنسبة تصل إلى 4.9، مما يجعلها نقطة تحول في هذا المجال.