في عالم الذكاء الاصطناعي، تمثل الرسوم البيانية المعرفية (Knowledge Graphs) وسيلة فعالة لتمثيل المعلومات بطريقة هيكلية. ورغم تطور تقنيات إكمال الرسوم البيانية، إلا أن التحديات لا تزال قائمة فيما يتعلق بتحليل المعلومات المفقودة. ويأتي هنا دور ViSR-KGC، نظام مبتكر يدمج بين النماذج اللغوية المرئية (Vision-Language Models) وإكمال الرسوم البيانية المعرفية متعددة الوسائط (Multimodal Knowledge Graph Completion).

تتميز ViSR-KGC بكونها تجمع بين ثلاث قدرات متكاملة تهدف إلى توفير تحليل شامل للبيانات المفقودة. تبدأ العملية بتحديد الاعتماديات العالمية في الهيكل عبر استخدام التعلم التمثيلي، ثم تأتي خطوة تحليل الأدلة متعددة الوسائط باستخدام النماذج اللغوية المرئية. أخيراً، تستفيد التقنية من المعرفة المشتركة المتأصلة في النماذج المدربة مسبقاً.

ومن المثير أن سيستخرج إطار العمل الفرعي رسماً بيانيًا مدمجًا ويعتمد على البيانات المتعددة، ثم يقوم بتحويله إلى شكل بصري يسهل تفسيره من خلال استراتيجية تخطيط مختارة بشكل تجريبي. ويتم دمج كل من الرسم البياني المرئي، وصور الكيانات، والوصف النصي، والردود المحتملة في تنسيق موحد، مما يمكّن النماذج اللغوية من استنتاج الكيانات المفقودة.

إن ViSR-KGC ليست مجرد تقنية جديدة بل هي خطوة نحو فهم أعمق وأكثر تكاملاً للبيانات المدعومة بالذكاء الاصطناعي، مما يفتح أفقًا واسعة أمام المستقبل.