في عالم يتطور بسرعة في مجال الذكاء الاصطناعي، يبرز مفهوم جديد يُعرف بـ A-MAR، وهو إطار يعتمد على الوكلاء (Agent-based) لاسترجاع الفن متعدد النماذج. يهدف هذا النظام إلى تعزيز فهم الأعمال الفنية من خلال إسقاط نظام تفكير هيكلي ينظم العمليات المعقدة ضمن سياقات ثقافية وتاريخية.

يتطلب فهم الفن قدرة على التفكير متعدد الخطوات في تحليل المحتوى البصري والسياق المرتبط بالأعمال الفنية. بينما أظهرت نماذج اللغات الضخمة (Large Language Models) الحديثة وعداً كبيراً في تفسير الأعمال الفنية، إلا أن تحديات التعقيد والافتقار للشفافية في الاستدلال تبقى عقبة.

هنا يأتي دور A-MAR، الذي يرسم خريطة ذهنية منظمة للعمليات المعنية، تبدأ بتجزئة المهمة إلى خطة تفكير هيكلية تحدد الأهداف ومتطلبات الأدلة لكل خطوة. هذا النهج يسمح باختيار أدلة مركزة، مما يوفر تفسيرات مبنية على أسس موثوقة.

لتقييم هذه القدرة الفريدة، تم تقديم معيار تشخيصي يُعرف باسم ArtCoT-QA، مصمم خصيصًا للتحديات المتعلقة بالفنون ويشمل سلاسل تفكير متعددة الخطوات لأسئلة متنوعة. نتائج التجارب أظهرت أن A-MAR يفوق أداء طرق الاسترجاع التقليدية، مما يؤكد أهميته في تعزيز الفهم المعرفي المتعدد النماذج.

تعتبر النتائج بارزة إذ تبرز كيف يُعزز الاسترجاع القائم على التفكير الهيكلي الفهم المنهجي والمعقد، ممهدة الطريق نحو أنظمة ذكاء اصطناعي ذات أهداف واضحة وشفافة، مع أهمية خاصة للصناعات الثقافية. يمكنكم الاطلاع على الكود والبيانات المفيدة في هذا الصدد عبر زيارة [صفحة GitHub الخاصة بالمشروع](https://github.com/ShuaiWang97/A-MAR).