ثورة في استرجاع المعلومات: كيف تُعزّز النماذج الكثيفة من أداء نماذج الذكاء الاصطناعي!

تُعتبر تقنيات استرجاع المعلومات الحديثة أحد الأعمدة الأساسية لنماذج الذكاء الاصطناعي القابلة للتطبيق، حيث يُعتمد بشكل خاص على استرجاع المعلومات المعزز (Retrieval-Augmented Generation - RAG). لكن، كم مرة واجهت دقة منخفضة أو تحديات في السرعة عند استخدام هذه الأنظمة؟ هذا ما تسعى إليه التقنية الجديدة المسماة توصيل الإمارات (Utility-Aligned Embeddings - UAE).

تواجه عملية البحث عن المعلومات باستخدام النماذج الكثيفة مشاكل دقيقة في الأداء، مما قد يحد من قدرتها على تقديم نتائج دقيقة في الوقت المناسب. من جهة أخرى، الأساليب المعتمدة على إعادة التصنيف باستخدام نماذج اللغة الكبيرة (LLMs) قد تصل إلى دقة عالية، ولكنها عادة ما تكون مرهقة من حيث متطلبات الحساب وتعرضت لضوضاء التقديرات.

ولذلك، تقدم تقنية توصيل الإمارات (UAE) إطار عمل يدمج بين هذين النهجين. تعتمد هذه التقنية مفهوم مطابقة التوزيع لتعزيز الأداء، حيث يتم تدريب نموذج ثنائي المرمزات لمحاكاة توزيع منفعة مُستمد من تقليل الضبابية باستخدام هدف InfoNCEModulated Utility. هذا يجعل من الممكن إدخال إشارات منفعة متدرجة مباشرة في مساحة التضمين، دون الحاجة إلى استنتاج زمن الاختبار من النماذج اللغوية الكبيرة.

وفقا لنموذج QASPER، تحسن نظام توصيل الإمارات معدل الاسترجاع (Recall@1) بنسبة 30.59%، ومعدل متوسط دقة الاسترجاع (MAP) بنسبة 30.16%، ومنح معدل F1 بنسبة 17.3%. والأهم من ذلك، أن هذه التكنولوجيا تقدم أداءً أسرع بأكثر من 180 مرة مقارنة بأساليب إعادة التصنيف الفعالة الأخرى، مما يظهر كيف يمكن لمحاذاة الاسترجاع مع منفعة التوليد أن يوفر سياقات موثوقة وبسرعة كبيرة.

هل تعتقد أن هذه التقنية ستغير قواعد اللعبة في عالم الذكاء الاصطناعي؟ شاركنا آراءك في التعليقات!