يعكف الباحثون على تطوير تقنيات جديدة تعتبر حديثة في مجال استرجاع المعرفة عن طريق الأسئلة الطبيعية، وقد حان الوقت لنستعرض إنجازًا بارزًا في هذا المجال. قدمت مجموعة من الباحثين في ورقة منشورة بعنوان "من استرجاع البيانات إلى تحقيق المخطط: تحسين استعلامات SPARQL من النص باستخدام Graphs المتنوعة" إطار عمل مبتكر يُعرف بـ SchemaForge.

يهدف SchemaForge إلى تحويل الأسئلة باللغة الطبيعية إلى استعلامات SPARQL القابلة للتنفيذ عبر قواعد بيانات RDF. في الوقت الذي كانت فيه التقييمات التقليدية تستند إلى مجموعة معرفية ثابتة، فإن الواقع يفرض علينا التعامل مع مجموعات بيانات متخصصة وضعيفة التوافق.

يُركز نظام SchemaForge على فكرة "محاذاة قطع المخطط المشروط"، حيث يقوم أولاً بالتعرف على الرسوم البيانية المحتملة من خلال أدلة ضعيفة، ثم يتأكد من أن المخطط المحلي يمكنه تحقيق الاستعلام المطلوب عبر أدلة أقوى.

التقييمات التي أُجريت على مجموعة LC-QuAD 2.0 وQALD-9 Plus وQALD-10 وSpider4SPARQL أظهرت أن SchemaForge حقق تحسنًا كبيرًا في دقة التنفيذ، حيث ارتفعت النسبة من 54.86% إلى 64.18%، مع دقة 73.0% في تخصيص الرسوم البيانية.

تشير هذه النتائج إلى أن التقدم من الأدلة الضعيفة إلى التزامات الاستعلام الخاصة بالمخطط، جنبًا إلى جنب مع التحقق من مجموعة الإجابات المضادة، يحسن بشكل كبير من توليد الاستعلامات القابلة للتنفيذ عبر قواعد المعرفة المتنوعة. إنه إنجاز يُظهر إمكانيات هائلة لمستقبل الذكاء الاصطناعي!

ما رأيكم في هذا التطور الثوري؟ شاركونا في التعليقات.