شهدت السنوات الأخيرة تحسناً ملحوظاً في أداء نماذج اللغة الكبيرة (Large Language Models - LLMs) في المهام المعرفة-intensive بفضل تقنيات مثل الاسترجاع المعزز بالتوليد (Retrieval-Augmented Generation - RAG). ومع ذلك، لا تزال هناك عدة تحديات، أبرزها كيفية التعامل مع المحتويات غير الملائمة التي يمكن أن تُعيدها نظم الاسترجاع، مما يؤدي في كثير من الأحيان إلى ما يُعرف بـ "الهلاوس". لذا، يُعتبر تحديد وتصنيف المحتوى غير المفيد أحد التحديات الرئيسية التي تُواجه تحسين أداء RAG.

لإيجاد طريقة أفضل لدمج المعرفة الأصلية للنموذج مع المعرفة الخارجية من الاسترجاع، كان من الضروري فهم ما يعرفه النموذج وما لا يعرفه، وهو ما يُعرف أيضًا بـ "المعرفة الذاتية". بناءً على هذه الرؤية، تم تقديم SKILL-RAG (التعلم المعزز بالمعرفة الذاتية والتصفية للاستخدام في RAG) كطريقة جديدة تستفيد من المعرفة الذاتية للنموذج لتحديد الوثائق المستعادة المفيدة للإجابة عن استفسار معين.

تم تصميم إطار تدريبي يعتمد على التعزيز لاستنباط المعرفة الذاتية بشكل صريح من النموذج، ويستخدم مستوى الجملة لتصفية المحتوى غير الملائم مع الحفاظ على المعرفة المفيدة. تم تقييم SKILL-RAG باستخدام نماذج Llama2-7B و Qwen3-8B على عدة معايير للإجابة على الأسئلة، وأظهرت النتائج التجريبية أن SKILL-RAG يعزز جودة التوليد بشكل كبير ويقلل من عدد الوثائق المدخلة، مما يثبت أهمية المعرفة الذاتية في توجيه اختيار الاسترجاعات عالية الجودة.

في عالم الذكاء الاصطناعي الذي يتطور بسرعة، يبدو أن SKILL-RAG يمهد الطريق لتجارب أكثر دقة وفاعلية، مما يسهل على المطورين والباحثين تقديم محتوى ذي جودة عالية للمستخدمين.