في عالم الذكاء الاصطناعي، تواجه نماذج اللغات الضخمة (LLMs) تحديات تتعلق بدقة المعلومات المستخرجة، حيث تُعرف هذه الظاهرة بتوليد استجابات غير دقيقة أو "هلوسة". لطالما كانت محاولات تحسين هذه الأنظمة تركز على استخدام تقنيات الاسترجاع المعززة (Retrieval-Augmented Generation)، ولكن هذه الطرق غالباً ما تعتمد على التشابه في المتجهات، مما يؤدي إلى ضجيج دلالي قد يؤثر سلباً على جودة الإجابات.

لتجاوز هذه العقبة، تم تقديم مفهوم جديد يحمل اسم "مشكلة الاسترجاع الدقيق" (Exact Retrieval Problem ERP)، والذي يقترح استخدام المعلومات الهيكلية لتوجيه نماذج اللغات في توليد إجابات دقيقة تلبي جميع شروط الاستفسارات الواقعية. في هذا الإطار، تم تطوير تقنية جديدة تدعى "استرجاع معزز موجه بالهيكل" (Structure Guided Retrieval-Augmented Generation - SG-RAG)، حيث تُعالج عملية الاسترجاع كوظيفة تتعامل مع تطابق التمثيلات الهيكلية.

وقد أظهرت التجارب أن SG-RAG تتفوق بشكل ملحوظ على الطرق التقليدية، حيث حققت تحسنًا بنسبة تصل إلى 50.88 نقطة في مقاييس مختلفة على مجموعة بيانات "استرجاع الأسئلة الدقيقة" (Exact Retrieval Question Answering - ERQA) التي تحتوي على 120,000 زوج من الأسئلة والأجوبة المعقدة في 20 مجالًا متنوعًا. هذه النتائج تقدم أملًا جديدًا في تحسين دقة نماذج الذكاء الاصطناعي وتحقيق استجابات أكثر توافقًا مع متطلبات المستخدم.

ما رأيكم في هذا التطور المثير في عالم الذكاء الاصطناعي؟ هل تتوقعون أن يدفعنا هذا إلى آفاق جديدة في البحث والتطبيقات؟