شهدت نماذج اللغات الضخمة (Large Language Models) ثورة حقيقية في مجال معالجة اللغة الطبيعية (Natural Language Processing). ومع ذلك، لا تزال تلك النماذج وبعض الأنظمة المستندة إليها عرضة لعدة أنماط من الفشل، وخاصة المشكلة المعروفة باسم "التخيلات" حيث يمكن أن تنتج تلك النماذج معلومات غير دقيقة أو خاطئة. في هذا الإطار، ظهرت أنظمة الاسترجاع المدعوم بالتوليد (Retrieval-Augmented Generation - RAG) كممارسة شائعة تسعى لتجنب تلك المخاطر.

في دراسة جديدة، استكشف الباحثون فكرة استخدام هيكل رسوم بيانية خفيف الوزن مع مخطط رسومي بسيط، لدعم نظام RAG من خلال مجموعة أدوات متخصصة. تم تصميم نظام عميل يتضمن مجموعة متنوعة من أدوات البحث عن النقاط واستعلامات الرسوم البيانية، يعمل على مجموعة بيانات منظمة تستند إلى مجموعة مختارة من مقالات ويكيبيديا باللغة الإنجليزية.

تم تقييم أداء النظام على مجموعة من الأسئلة من اختبار MoNaCo، وهو معيار صعب يختبر الإجابة على الأسئلة المعقدة. أظهرت النتائج أن إدخال أدوات قائمة على الرسوم البيانية يزيد بشكل كبير من دقة وموثوقية الإجابات، حيث تمكنت الدراسة من تقليل عدد الإجابات الخاطئة إلى النصف. كما حصلت الأنظمة على أعلى درجات الدقة الفردية من بين السيناريوهات الثلاثة التي تم تقييمها، مع زيادة متواضعة في استهلاك الرموز.

تشير هذه الابتكارات إلى أن استخدام الرسوم البيانية في نماذج الذكاء الاصطناعي يمكن أن يكون له تأثير كبير على تحسين الدقة والفائدة، مما يجعلها خطوة مهمة نحو نماذج أكثر ذكاءً وتحسين تجربة المستخدم في استرجاع المعلومات.