في عالم الذكاء الاصطناعي، تُعتبر دقة المعلومات المسترجعة من النقاط الأساسية لنجاح أي نظام. تبرز دراسة جديدة نشرت على موقع arXiv نسخة رائدة من إدارة المعلومات المعززة، تُعرف بـ 'RAG' (Retrieval-Augmented Generation)، حيث قامت بتعديل بسيط وذكي لتحسين دقة الاسترجاع من خلال الاعتماد على موثوقية المصادر المعينة.

تركز هذه الدراسة على كيفية تصنيف الوثائق المسترجعة بناءً على مصداقية المصدر، بدلاً من الاعتماد فقط على التشابه الدلالي. حيث يُضاف لكل وثيقة ما يُسمى بـ 'prior lambda'، الذي يعكس نوع المصدر، مما يؤدي إلى إعادة وزن درجات الاسترجاع. وباستخدام معادلة score(q, d) = sim(q, d) * lambda(s)، تم اختبار هذا الإطار الجديد على مجموعة بيانات مكونة من 120 وثيقة في مجال الصحة.

أظهرت النتائج تحسنًا ملحوظًا في دقة الاسترجاع (Precision@5)، حيث ارتفعت النسبة من 0.48 إلى 0.72. كما ساعدت هذه الطريقة في تقليل متوسط استرجاع الوثائق المعادية، مما يدل على قدرة المصادر ذات المصداقية المنخفضة على التمييز من خلال البيانات الوصفية.

تم تنفيذ جميع التجارب على مجموعة الحوسبة عالية الأداء 'Rosie' في مدرسة ميلووكي للهندسة، التي وفرت البنية التحتية اللازمة لاختبار الفرضيات بدقة وموثوقية.

تشير هذه النتائج إلى وجود استراتيجية محتملة للتخفيف من تأثيرات تدهور جودة المصدر في عمليات RAG، مما يعزز من فعالية الأنظمة المعتمدة على الذكاء الاصطناعي في الحصول على معلومات موثوقة.