في عالم الذكاء الاصطناعي، تعتمد أنظمة النماذج اللغوية مثل نماذج الاسترجاع المعززة (Retrieval-Augmented Generation) على الأدلة الخارجية، ولكن تبقى التحديات قائمة عند التعامل مع الأسئلة المتعددة الجوانب. لتحقيق نتائج دقيقة، تحتاج هذه الأنظمة إلى التحكم الفعّال في ما يجب استرجاعه ومتى تكون الأدلة كافية.

لذا، طرح الباحثون مؤخرًا تقنية جديدة تُعرف باسم S2G-RAG (Structured Sufficiency and Gap-judging RAG)، والتي تمثل إطارًا تكراريًا متميزًا يعمل من خلال وحدة تحكم مُخصصة تُعرف بـ S2G-Judge. تركز هذه التقنية على تقييم ما إذا كانت الذاكرة الحالية من الأدلة تدعم الإجابة على السؤال المطروح، وإذا لم يكن الأمر كذلك، تقوم بإنتاج عناصر فجوة (gap items) منظمة توضح المعلومات المفقودة.

تُستخدم هذه العناصر المفقودة في تهيئة استعلامات الاسترجاع اللاحقة، مما يضمن تحقيق استراتيجيات استرجاع مستقرة عبر جولات متعددة. للحد من تزايد الضوضاء الناتجة عن الأدلة، تحتفظ S2G-RAG بسياق أدلة على مستوى الجمل من خلال استخراج مجموعة صغيرة من الجمل ذات الصلة من الوثائق المسترجعة.

أظهرت التجارب التي أُجريت على مجموعات بيانات مثل TriviaQA وHotpotQA و2WikiMultiHopQA أن S2G-RAG قد حسنت أداء الأسئلة متعددة الجوانب والقدرة على التحمل خلال عمليات الاسترجاع المتعددة. والأكثر إثارة، أن S2G-RAG يمكن دمجه في أنظمة RAG الحالية كمكون خفيف الوزن، دون الحاجة لتعديل محرك البحث أو إعادة تدريب المولد.

تظهر هذه التطورات الجديدة في S2G-RAG كيف يمكن تحسين القدرة على التعامل مع الأسئلة المعقدة، مما يفتح آفاقًا جديدة لاسترجاع المعلومات في مجال الذكاء الاصطناعي.