في عالم الذكاء الاصطناعي، يعد إدراك كيفية معالجة الأسئلة المتعلقة بالبيانات البيانية (Knowledge Graphs) أمرًا حيويًا. وفيما يتعلق بإجابات الأسئلة من هذه البيانات، تواجه نماذج اللغات الكبيرة (Large Language Models - LLMs) تحديات عديدة، خاصة عندما تتطلب الأسئلة استدلالات متعددة. تكمن الصعوبة في معالجة الاستفسارات المعقدة في مرحلتين مترابطتين: استرجاع الإجابات وتصفية هذه الإجابات وفقاً للقيود المطلوبة. يعتمد هذا النوع من التفكير على منحى يعتمد على العلاقات بدلاً من الكيانات، مما يعزز دقة النماذج.

غالباً ما ترتبط مشاكل النماذج الحالية بنقص المعلومات حول الكيانات، حيث يُستخدم هذا النقص كتحدٍ في دقة الإجابات. هنا يأتي الابتكار: تم تقديم إطار عمل جديد يُعرف بسلسلة العلاقات التركيبية (Compositional Chain-of-Relations - CCoR)، حيث يتم استبدال الكيانات بالعلاقات كعناصر للبحث. يُعد هذا التحول من الكيانات إلى العلاقات محوريًا، حيث يتيح تضمين القيود مباشرة من البيانات البيانية بدلاً من المعلومات الداخلية للنموذج، مما يزيد من موثوقية الإجابات.

أظهرت التجارب على أربع معايير لاختبار كفاءة معالجة البيانات البيانية تحسنًا مُلحوظًا في دقة وموثوقية وسرعة استجابة النموذج عند استخدام سلسلة CCoR. خاصةً في الأسئلة المعقدة، حيث زادت نسبة التحسينات بشكل ملحوظ، مما يدل على أن هذا النهج الجديد يُعد خطوة حيوية في تطوير نماذج الذكاء الاصطناعي.

كيف يمكن أن تغير هذه الاستراتيجية مستقبل الذكاء الاصطناعي؟ وما تأثيرها على التطبيقات العملية؟ شاركونا آرائكم في التعليقات!