KG-Hopper: ثورة جديدة في الذكاء الاصطناعي تعزز نماذج اللغة الصغيرة باستخدام المنطق القائم على الرسوم البيانية!

أظهرت نماذج اللغات الضخمة (LLMs) إمكانيات رائعة في مجالات اللغة الطبيعية، ولكنها واجهت تحديات ملحوظة عند التعامل مع مهام التفكير المعتمدة على المعرفة. كانت إحدى هذه المهام هي إجابة الأسئلة المستندة إلى قواعد البيانات المعرفية (Knowledge Base Question Answering - KBQA)، التي تتطلب دقة عالية في منطق الاستدلال متعدد الخطوات. غالبًا ما كانت الأساليب المستخدمة حتى الآن تعتمد على خطوات استدلال متسلسلة، ما يقيد مرونة النماذج ويؤدي إلى أخطاء متتابعة نتيجة الاستدلال المعزول في كل مرحلة.

للتغلب على هذه التحديات، قدم الباحثون KG-Hopper، وهو إطار عمل جديد يعتمد على التعلم التعزيزي (Reinforcement Learning - RL). يتميز KG-Hopper بتمكين نمادج اللغة الصغيرة المفتوحة من إجراء استدلال شامل على الرسوم البيانية المعرفية ضمن جولة استدلال واحدة. بدلاً من اتباع عملية استدلال خطوة بخطوة، يتم تدريب نموذج استدلال يقوم بتضمين كامل عمليات تنقل الرسوم البيانية واتخاذ القرارات في مرحلة "تفكير" واحدة، مما يسمح باستدلال عالمي عبر الاعتماديات المتبادلة واستكشاف مسارات ديناميكية مع إمكانية التراجع.

تُظهر التجارب على ثمانية معايير لاستدلال الرسوم البيانية أن KG-Hopper، والذي يعتمد على نموذج اللغة بسبعة مليارات معلمة، يتفوق باستمرار على أنظمة متعددة الخطوات الأكبر حجمًا (حتى 70 مليار معلمة) ويحقق أداءً تنافسياً مع نماذج خاصة مثل GPT-3.5-Turbo وGPT-4o-mini، بينما يظل مضغوطًا ومفتوحًا وفعالًا من حيث البيانات. لمزيد من المعلومات، يمكن الوصول إلى الشيفرة المصدرية على موقع Github.

هل أنتم مستعدون لاستكشاف كيف يمكن أن يغير KG-Hopper مفهوم الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!