في عالم الذكاء الاصطناعي السريع التطور، يظهر نظام SAKE (Structured Agentic Knowledge Extrapolation) كخطوة مبتكرة نحو تحسين استرجاع المعرفة في نماذج اللغات الضخمة (LLMs).

يعتبر استقراء المعرفة (Knowledge Extrapolation) عملية حيوية تتيح للموديلات استنتاج معلومات جديدة من خلال دمج وتوسيع المعرفة المتاحة. وفي بيئات متخصصة حيث يكون من الصعب استرجاع معلومات شاملة، تصبح هذه التقنية أكثر أهمية.

SAKE يعتمد على أسلوب التعلم المعزز (Reinforcement Learning) لتدريب نماذج اللغة، مما يمكّنها من استرجاع المعرفة بشكل مستقل من خلال أدوات مدعومة. يحدد النظام اثنتين من أدوات المعرفة الخارجية: بناء مجموعات الكيانات واسترجاع ثلاثيات العبور. يتعلم النموذج دمج هاتين الأداتين خلال عملية من ثلاث جولات، حيث يقوم باستخراج الكيانات الرئيسية وتصنيف مجموعات المفاهيم ذات الصلة، وتوليد ثلاثيات جديدة من خلال التفكير الاستدلالي.

تم تنفيذ التجارب مع نموذج Qwen2.5-7B بعد تعديله، وقد أظهرت النتائج أن النموذج يتفوق على GPT-3.5-Turbo في المهام المتعلقة بالبيانات الحيوية (75.4% مقابل 70.1%) والذكاء السائد (81.3% مقابل 74.7%)، مع تقليل استخدام الرموز بنسبة تزيد عن 90%. هذه النتائج تؤكد أن الفهم الاستدلالي للمعرفة الهيكلية غير المكتملة لا يتطلب نماذج ضخمة مع تداخل متعدد الخطوات، بل يمكن تعلمه من خلال نماذج صغيرة مفتوحة الوزن.

للاطلاع على الكود الخاص بالنظام، يمكنكم زيارة رابط الكود على GitHub.

ما رأيكم في هذا التطور الثوري في عالم الذكاء الاصطناعي؟ شاركونا في التعليقات.