ثلاث جوانب جديدة في استرجاع المعلومات: دليل قوي على تكامل جوانب الوثيقة والاستعلام والإجابة

في عالم الذكاء الاصطناعي، تعتبر أنظمة استرجاع المعلومات (Retrieval-Augmented Generation - RAG) حجر الأساس للحصول على إجابات دقيقة وفعالة. واحدة من أكبر التحديات التي تواجه هذه الأنظمة هي "تجزئة" المحتوى، حيث تُفقد المعلومات الهيكلية للوثائق بشكل كبير. في دراسة جديدة نُشرت على arXiv، تم استعراض الحلول المبتكرة التي تعتمد على تنسيق المحتوى لضمان استرجاع المعلومات بشكل فعال.

بدلاً من الاعتماد على الاستدعاء التقليدي القائم على العناوين، تُقدم طريقة "استرجاع القائمة الموجهة" (ToC-guided retrieval)، التي تستفيد من تنسيق الوثائق المرئي لاستنتاج العناوين دون الحاجة إلى عدة استدعاءات لنماذج اللغة الكبيرة (Large Language Models - LLM). يقوم هذا النظام بتحميل الأقسام الكاملة للصفحات، مما يؤدي إلى تحسين كبير في جودة الإجابات.

أظهرت الدراسة مجموعة من النتائج الهامة عبر 1,280 حالة على 8 وثائق مؤسسية تتراوح من 5 إلى 195 صفحة. ومن بين النتائج:
1. أثبتت القائمة جدول المحتويات (ToC) تأثيراً رئيسياً على جودة الإجابات، مع تحسن كبير يصل إلى 0.41 في الدقة.
2. عند دمجه مع التحقق من الإجابة، كان الأداء أفضل من تقنيات التحليل القائمة على الاستعلام.
3. أسهمت ToC بزيادة 20% من الاقتباسات رغم أنها أضافت فقط 2.9 صفحة لكل استعلام.
4. كانت الفوائد أكبر في الوثائق الأطول، حيث وصل التحسن إلى +1.50 في الوثائق التي تضم 118 صفحة.
5. أظهرت التحليلات التي أجريت على 480 حالة عدم وجود تأثيرات ملحوظة للمعايير، مؤكدة أن الإعدادات الافتراضية قريبة من الأمثل.

من الواضح أن هذا البحث يقدم منهجية جديدة وخالية من تكاليف استدعاء نماذج اللغة، ويقدم دليلاً تجريبياً على أن التحسينات في الجوانب الثلاثة: الوثائق، الاستعلام، والإجابة، تكمل بعضها البعض بشكل لم يتم استكشافه سابقاً. يُظهر هذا البحث كيف يمكن للتكنولوجيا الحديثة تعزيز الكفاءة وجودة المعرفة في الأنظمة الذكية، مما يفتح المجال لمزيد من الابتكارات في المستقبل.