في عالم الذكاء الاصطناعي، يبدو أن هناك دائماً تطوراً جديداً قادماً. اليوم، نقدم لك **S2G-RAG** (Structured Sufficiency and Gap Judging for Iterative Retrieval-Augmented QA)؛ الإطار الجديد الذي يعد بتغيير قواعد اللعبة في مجال استرجاع الأسئلة.
يعتمد **S2G-RAG** على مفهوم **استرجاع المعلومات المعززة** (Retrieval-Augmented Generation) حيث يستند إلى أدلة خارجية ليعزز من الأنموذج اللغوي. ومع ذلك، تبقى عملية الإجابة عن الأسئلة متعددة الخطوات (multi-hop) تحدياً حقيقياً، حيث يتعين على الأنظمة التحكم في ما يجب استرجاعه في كل مرحلة. للأسف، قد تتعرض الأنظمة أحياناً للإجابة باستخدام أدلة غير مكتملة أو محتوى مفرط من النصوص المشتتة، مما يعوق الاسترجاع والتفكير اللاحق.
ما هو S2G-Judge؟
هنا تأتي قوة **S2G-Judge**، المُراقب الصريح الذي يعد أكبر مساعد للإطار. في كل مرة، يقوم **S2G-Judge** بتوقع ما إذا كانت الذاكرة الحالية للأدلة تدعم الإجابة، وإذا لم تكن كذلك، فإنه يقدم عناصر الفجوة الهيكلية التي توضح المعلومات المفقودة.
يتم تضمين هذه العناصر بعد ذلك في استعلام الاسترجاع التالي، مما يؤدي إلى إنتاج مسارات استرجاع متعددة مستقرة. ولتقليل تكدس الضوضاء، يحتفظ **S2G-RAG** بسياق الأدلة على مستوى الجمل من خلال استخراج مجموعة مضغوطة من الجمل ذات الصلة من الوثائق المسترجعة.
أداء مذهل!
أظهرت التجارب على ثلاث مجموعات بيانات معروفة، **TriviaQA**، **HotpotQA**، و**2WikiMultiHopQA**، أن **S2G-RAG** يحسن أداء الأسئلة متعددة الخطوات ويعزز الثبات أثناء عمليات الاسترجاع المتعددة. ويتميز أيضاً بقدرته على التكامل مع أنظمة **RAG** الحالية كعنصر خفيف الوزن، دون الحاجة إلى تعديل محرك البحث أو إعادة تدريب الجهة المولدة.
إذا كنت متحمساً لمعرفة المزيد عن هذا الابتكار الرائع، فنحن ندعوك لمشاركة آرائك! كيف ترى دور S2G-RAG في مستقبل الذكاء الاصطناعي؟