في عالم الذكاء الاصطناعي المتسارع، يتطلع الباحثون إلى تحسين النماذج اللغوية (Language Models) من خلال تكامل المعرفة الهيكلية (Structured Knowledge). تقدم RAGU، المحرك الجديد المفتوح المصدر من نوع GraphRAG، حلا مبتكرا يعالج التحديات القائمة في استخلاص المعرفة.

تقوم RAGU بفصل عمليات الاستخراج عن التماسك، مما يسهل معالجة الكيانات والعلاقات من خلال استخراج من نوعين، وتكرار تدعيمي يستخدم تقنية DBSCAN. هذه العمليات تساهم في تقليل الضوضاء وتحسين دقة استرجاع المعلومات.

تتميز RAGU بدمج نموذج صغير الحجم يسمى Meno-Lite-0.1، الذي يعتمد على مهارات لغوية متعددة، مثل الفهم والاستخراج والتحليل السياقي. أظهرت النتائج أن هذا النموذج يتفوق على نموذج Qwen2.5-32B في بناء الرسوم البيانية للمعرفة، مما يدل على أهمية المهارات اللغوية في تعزيز الفعالية بعيدا عن حجم النموذج.

من خلال اختبارات مكثفة، أثبتت RAGU فعالية مذهلة على مجموعة بيانات GraphRAG-Bench في المجال الطبي، حيث استطاعت استعادة المزيد من السياقات بمعدل استرجاع يصل إلى 0.84. كما أظهرت تحسنا ملحوظا عند مقارنة أدائها مع نموذج HippoRAG2 في مهام التركيب.

RAGU ليست مجرد أداة، بل هي مستقبل في تحسين أداء النماذج اللغوية. يمكن تثبيتها بسهولة باستخدام أمر الأمر
``pip install graph_ragu``، وهي تعمل على جهاز GPU واحد. الشيفرة المصدرية متاحة للجمهور عبر رابط GitHub، ويمكن الحصول على نموذج Meno-Lite-0.1 عبر هنا.

استعد لدخول عالم الذكاء الاصطناعي بنحو أكثر ذكاءً وفعالية، وما رأيكم في هذا التطور المثير؟ شاركونا في التعليقات!