أصبحت تقنيات تحسين الطلبات (Prompt Optimization) أداة قوية في مجال استخراج العلاقات (Relation Extraction) من خلال الذكاء الاصطناعي، ولكنها لا تزال بحاجة إلى المزيد من الاستكشاف، خاصةً مع نماذج اللغة الأصغر. هنا يبرز إطار عمل جديد يقترح تحسينًا ثنائي المراحل يجمع بين نوعين من التحسين: الأول يعتمد على التفكير والثاني على التدرجات.

في المرحلة الأولى، يستخدم الإطار أي محسن يعتمد على التفكير لإجراء تحسينات عامة على الطلبات باللغة الطبيعية. بينما في المرحلة الثانية، يتم تطبيق تقنية جديدة تُعرف باسم GradPO، والتي تستغل بيانات الخسارة والإشارات التدرجية لتحديد أكثر أجزاء الطلبات تأثيرًا وتنقيحها من خلال تعديلات محلية.

أظهرت التجارب التي أُجريت على مجموعات بيانات FS-TACRED وFS-FewRel أن التحسين المحلي غالبًا ما يحسن الطلبات التي تم العثور عليها خلال المرحلة الأولى، وأن GradPO تُعتبر الأكثر اتساقًا كمدقق. وقد تمكن هذا الإطار من تحقيق أداء غير مسبوق على مجموعة بيانات FS-TACRED مع نموذج Qwen3-4B، لا سيما أنه يبقى تنافسيًا أيضًا على FS-FewRel.

تُعتبر هذه التطورات في تحسين الطلبات خطوة مهمة للأمام في مجال استخراج العلاقات، مما يجعلها أكثر دقة وكفاءة. هل أنتم متحمسون لرؤية كيف ستؤثر هذه الابتكارات على مستقبل الذكاء الاصطناعي؟ شاركونا بآرائكم في التعليقات!