ثورة في الذكاء الاصطناعي: تحسين أساليب الاستدلال على الرسوم البيانية غير المكتملة!

تُظهر الأبحاث الحديثة في مجال الذكاء الاصطناعي خطوة مذهلة نحو تحسين استدلال نماذج اللغات الضخمة (Large Language Models) على المعلومات من قواعد المعرفة. رغم أن هذه النماذج قد حققت نجاحاً ملحوظاً في العديد من المهام، إلا أنها لا تزال تعاني من مشكلة "الصورة الزائفة" في السيناريوهات المعتمدة على المعرفة.

لكن، ماذا لو كان هناك طريقة جديدة للتغلب على هذه المشكلة؟ هذه المقالة تقدم ابتكاراً رائعاً يتمثل في إطار عمل جديد يستند إلى الرسوم البيانية (Graph-Based Soft Prompting). بدلاً من الاعتماد على استدلال يدوي عبر الحواف، تعتمد هذه الطريقة على استدلال على مستوى المجموعات الفرعية للرسوم البيانية، مما يوفر استجابة أكثر ذكاءً ومرونة.

يتمثل الابتكار في استخدام شبكة عصبية للرسوم البيانية (Graph Neural Network) لترميز الهيكليات المستخرجة وتحويلها إلى تنبيهات ناعمة (Soft Prompts). هذا يعزز قدرة نماذج اللغات الضخمة على التفكير في تفاصيل معقدة واكتشاف كيانات ذات صلة تتجاوز الجوار المباشر في الرسم البياني، مما يقلل الاعتماد على الحواف الغائبة.

علاوة على ذلك، تم تقديم نموذج جديد من مرحلتين لتقليل التكاليف الحاسوبية مع الحفاظ على أداء جيد. حيث يقوم نموذج لغوي خفيف في المرحلة الأولى بمعالجة التنبيهات الناعمة لتحديد الكيانات والعلاقات ذات الصلة بالأسئلة، يليه نموذج لغوي أكثر قوة لتوليد الإجابات المستندة إلى الأدلة.

أظهرت التجارب على أربعة معايير متعددة الخطوات لأسئلة قواعد المعرفة أن هذا النهج يحقق أداءً متميزًا على ثلاثة منها، مما يبرهن على فعاليته. لمزيد من التفاصيل، يمكنكم زيارة المستودع على GitHub [هنا](https://github.com/Wangshuaiia/GraSP).