في عالم الذكاء الاصطناعي، تُعد أنظمة استرجاع المعرفة المعززة (RAG) من الابتكارات الرائدة التي تسمح بتحسين استرجاع المعلومات وتحليلها. ومع ذلك، تعاني هذه الأنظمة من تحديات كبيرة، خاصة في مشكلات الاستدلال المعقدة التي تتطلب استرجاع أدلة متعددة الخطوات. العديد من الهياكل الاعتيادية لهذه الأنظمة تتجاهل الجودة المتفاوتة للمعلومات المسترجعة، مما يؤدي إلى صعوبة في الربط بين البيانات المتاحة.

تقدم دراسات جديدة، خاصة طرق GraphRAG، طرقاً محتملاً لتحسين هذه الأنظمة من خلال دمج الرسوم المعرفية التي تنظم المعلومات في شكل عُقد وروابط. لكن هذه الطرق ليست دائماً فعالة، إذ تعتمد على تمثيلات عالية الجودة للرسوم المعرفية – مما يتطلب تجميع إضافي مكلف أو عمليات أوتوماتيكية غير موثوقة.

في هذه الدراسة، نعرض إطار عمل جديد لـRAG يستفيد من خوارزمية تفعيل الانتشار (Spreading Activation) لاسترجاع المعلومات من مجموعة من الوثائق المترابطة. هذه المنهجية تقلل من الاعتماد على الرسوم المعرفية الدلالية، والتي تعاني غالبًا من فقدان المعلومات أثناء عملية الاستخراج، وتتجنب الاعتماد على نماذج اللغات الضخمة (LLMs) لقيادة التنقل في الرسم البياني.

أظهرت التجارب أن هذا المنهج الجديد يقدم أداءً أفضل أو مماثلاً لما تقدمه العديد من الطرق الحديثة المتفوقة في نظام RAG. وعند دمجه مع استرجاع الأفكار المتسلسلة، يمكن أن يحقق تحسينات تصل إلى 39% في دقة الإجابات مقارنة بالنظام الكلاسيكي. هذه الإنجازات تعكس التطور المستمر في تقنيات الذكاء الاصطناعي وتفتح آفاقًا جديدة لتحسين أنظمة استرجاع المعلومات على مستوى عالمي.