تخيل الإنترنت كمكتبة ضخمة، متنامية باستمرار، حيث تحاول كل الكتب والمقالات والمواقع التحدث بنفس اللغة. ولتحقيق ذلك، يستخدم العلماء "الأنطولوجيات" (Ontologies) — فكر فيها كقواميس رقمية أو مخططات هندسية فائقة التفصيل تحدد بدقة معنى الكلمات وكيفية ترابطها. إذا قال المخطط إن "السيارة" تمتلك أربع عجلات، فإن كل حاسوب في المكتبة يوافق على ذلك. ولكن هنا تكمن المشكلة: العالم يتغير. تظهر اختراعات جديدة، وتتعدل أفكار قديمة، وأحيانًا تحتاج "السيارة" فجأة إلى إعادة تعريف لتشمل ميزات "القيادة الذاتية". وعندما تتغير هذه المخططات، نحتاج إلى طريقة لتتبع هذه التحديثات حتى لا تصاب المكتبة بالارتباك. يُسمى هذا "إصدار الأنطولوجيا" (Ontology Versioning).

الآن، تخيل أن لديك روبوتًا مصممًا لإيجاد الكلمات المتطابقة بين قاموسين مختلفين (مثل مطابقة كلمة "automobile" في كتاب ما مع كلمة "car" في كتاب آخر). هذا الروبوت بارع جدًا في عمله؛ ويُسمى "مطابقة الأنطولوجيا" (Ontology Matching). ولكن ماذا لو طلبت من نفس هذا الروبوت تتبع التغييرات في قاموس واحد بمرور الوقت؟ الأمر يشبه أن تطلب من محقق بارع في العثور على التوائم أن يكتشف أيضًا من منهم طال قَدْرُه، ومن فقد سِنًّا، ومن انتقل إلى منزل جديد. الورقة البحثية التي ستطالعها الآن تستكشف هذا السؤال بالضبط: هل يمكننا إعادة استخدام الروبوت المصمم لإيجاد التوائم لتتبع عملية "النمو والتغير" لقاموس واحد؟ لقد وجد المؤلفون أنه بينما يمكن للروبوت القيام بالمهمة، إلا أنه يحتاج إلى ترقيات جادة ليتوقف عن الارتباك ويميز بين الكلمة التي بقيت كما هي والكلمة التي خضعت فقط لعملية "تجميل" أو تغيير في المظهر.

---

قصة المخطط الرقمي والترقية

في عالم الشبكة الدلالية (Semantic Web)، تُعد الأنطولوجيات هي العمود الفقود الذي يمسك بكل شيء. فهي أوصاف رسمية للمفاهيم، مثل قواعد صارمة لكيفية فهم الحواسيب للعالم. ولكن تمامًا مثل قوانين البناء في مدينة ما، لا يمكن لهذه القواعد أن تظل ثابتة للأبد. فمع نمو المعرفة وتطور التكنولوجيا، يجب مراجعة هذه الأنطولوجيات. إذا كان المخطط من تسعينيات القرن الماضي لا يعرف ما هي "شاشة اللمس"، فسيكون عديم الفائدة للتطبيقات الحديثة. وعندما تحدث هذه التغييرات، نحتاج إلى "إصدار الأنطولوجيا" (Ontology Versioning) لتتبع ما تغير، وما حُذف، وما أُضيف، وما بقي كما هو.

لفترة طويلة، حاول الباحثون حل مشكلة الإصدار هذه عبر استعارة أدوات من "مطابقة الأنطولوجيا" (Ontology Matching). والمطابقة هي مجال راسخ حيث تقارن الحواسيب بين أنطولوجيتين مختلفتين للعثور على المفاهيم المتشابهة (مثل مطابقة "cmt:Chair" مع "confof:Chair"). الفكرة وراء نهج "OM4OV" بسيطة وذكية: لماذا نبني أداة جديدة من الصفر بينما يمكننا ببساً إعادة استخدام أنظمة المطابقة القوية الموجودة لدينا بالفعل؟ قرر مؤلفو هذه الورقة اختبار هذه الفكرة بصرامة. وسألوا: إذا أخذنا نظام مطابقة رفيع المستوى واستخدمناه لتتبع التغييرات في أنطولوجيا واحدة بمرور الوقت، فهل سينجح الأمر؟

التجربة: روبوت لديه نقطة عمياء

أخذ الباحثون نظام مطابقة متطور يُسمى Agent-OM (والذي يستخدم نماذج ذكاء اصطناعي متقدمة لإيجاد الروابط) وقاموا بتطوير نسخة جديدة منه تُسمى Agent-OV للتعامل مع مهام الإصدار. أنشأوا بيئة اختبار خاصة باستخدام بيانات من العالم الحقيقي من "مبادرة تقييم محاذاة الأنطولوجيا" (OAEI)، لمحاكاة سيناريوهات مختلفة حيث قد تظل الأنطولوجيا كما هي، أو يتم تحديثها، أو تُضاف إليها أشياء جديدة، أو تُحذف منها أشياء قديمة.

إليكم ما اكتشفوه، وهي نتيجة غير متوقعة نوعًا ما:

1. الروبوت جيد، لكنه منحاز
كان نظام المطابقة الأصلي (Agent-OM) جيدًا بشكل مفاجئ في العثور على الأشياء التي لم تتغير. وبما أن معظم الأنطولوجيا عادة ما يظل كما هو من نسخة إلى أخرى، فقد حصل النظام على دفعة هائلة في درجاته الإجمالية لمجرد تحديد العناصر "الباقية" بشكل صحيح. ومع ذلك، خلق هذا قياسًا مضللاً. كان الأمر يشبه طالبًا حصل على درجة امتياز لأنه أجاب على 90% من الأسئلة السهلة بشكل صحيح، لكنه فشل تمامًا في الأسئلة الصعبة المتعلقة بما تغير فعليًا. كان النظام سيئًا في رصد كيانات "التحديث" (updates)—وهي الأشياء التي خضعت لتغيير في المظهر لكنها احتفظت بهويتها.

2. الحقائق "الزائفة"
عندما حاول النظام تخمين ما تغير، ارتكب أحيانًا أخطاءً تبدو خاطئة على الورق لكنها منطقية في العالم الحقيقي. على سبيل المثال، إذا تم تغيير اسم مفهوم من "حدث مؤتمر" (Conference Event) إلى "حدث" (Event) فقط، فقد يقول النظام: "انتظر، هذا ليس الشيء نفسه!". ولكن في سياق مؤتمر بحثي، فهما في الواقع الشيء نفسه. تشير الورقة إلى أنه في عملية الإصدار، تكون "المعادلة" أكثر مرونة مما هي عليه في المطابقة القياسية. فأحيانًا، تكون "المطابقة الخاطئة" هي في الواقع إشارة إلى أن تصميم الأنطولوجيا نفسها غامض بعض الشيء، والنظام يقوم فقط بالإشارة إلى ذلك.

3. فخ العتبة (Threshold Trap)
يعتمد النظام على "عتبة تشابه" (similarity threshold)—وهي درجة تقرر ما إذا كان شيئان متقاربين بما يكفي لاعتبارهما متطابقين. وجد الباحثون أن تعديل هذا الرقم هو عملية توازن دقيقة. إذا كانت العتبة مرتفعة جدًا، فسيغفل النظام عن التحديثات ويسميها "حذوفات". وإذا كانت منخفضة جدًا، فسيسمي الكثير من الأشياء "تحديثات". جعل هذا النتائج غير مستقرة وصعبة التنبؤ.

الحل: الاختصار عبر المرجع المتقاطع

لحل هذه المشكلات، اقترح المؤلفون تحسينًا ذكيًا يسمى آلية المرجع المتقاطع (Cross-Reference - CR).

تخيل أنك تحاول معرفة كيف تغير شخص ما بين سن العاشرة وسن العشرين. بدلًا من مقارنة الصورتين مباشرة ومحاولة تخمين كل تفصيل، لديك صورة ثالثة لنفس الشخص في سن الخامسة عشرة، وأنت تعلم أنها دقيقة. يمكنك استخدام صورة سن الخامسة عشرة لتكون بمثابة مرساة لمقارنتك.

في منهجية الورقة، يستخدمون أنطولوجيا مرجعية (أنطولوجيا موثوقة ومنفصلة متوافقة بالفعل مع البيانات) لمساعدة النظام.

• قبل: كان على النظام مقارنة كل عنصر في النسخة القديمة بكل عنصر في النسخة الجديدة. هذا جهد هائل وكثير من الارتباك.
• بعد (مع CR): يتحقق النظام أولاً من العناصر التي تتطابق مع الأنطولوجيا المرجعية الموثوقة. هو يعلم أن هذه العناصر هي عناصر "باقية". بعد ذلك، يركز طاقته فقط على العناصر التي لم تتطابق مع المرجع. هذا يقلل بشكل كبير من عدد المرشحين الذين يتعين عليه تخمينهم.

كانت النتائج مبهرة. باستخدام خدعة المرجع المتقاطع هذه، أصبح النظام أفضل بكثير في اكتشاف كيانات التحديث (العناصر الصعبة) دون الخطأ في تصنيف العناصر "الباقية" أو "الإضافة/الحذف". كما جعل هذا النظام أقل تأثرًا بإعدادات "عتبة التشابه" المتقلبة، مما يعني أنه يعمل بشكل أكثر موثوقية حتى عندما لا تكون الإعدادات مثالية.

الاختبار في العالم الحقيقي: مخطط البناء

لم يكتف المؤلفون بالمحاكاة فقط. بل اختبروا إطار عملهم على Brick Schema، وهو أنطولوجيا شائعة تُستخدم في صناعة البناء لوصف أشياء مثل أنظمة التكييف (HVAC) والمستشعرات. لقد مرت هذه الأنطولوجيا بعدة تحديثات رئيسية، بما في ذلك تغيير لغتها والاندماج مع أنظمة أخرى.

أظهرت النت النتائج أن إطار عمل OM4OV الخاص بهم كان أكثر دقة من الطرق السابقة في تتبع هذه التغييرات. ومع ذلك، واجهوا عقبة عند محاولة اختبار ميزة "المرجع المتقاطع" على Brick Schema. المشكلة؟ الروابط الموجودة (المراجع المتقاطعة) بين Brick Schema وأنطولوجيات البناء الأخرى كانت غير مكتملة. لم تغطِ قدرًا كافيًا من البيانات لتكون مفيدة كـ "صورة ثالثة" للنظام. وهذا يسلط الضوء على تحدٍ في العالم الحقيقي: لكي تعمل هذه الأدوات المتقدمة بشكل مثالي، نحتاج إلى خرائط أفضل وأكثر اكتمالًا لكيفية اتصال الأنطولوجيات المختلفة ببعضها البعض.

الخلاصة

لا تدعي هذه الورقة أنها حلت لغز إصدار الأنطولوجيا إلى الأبد. بدلاً من ذلك، فهي تقدم خارطة طريق واضحة. فهي تثبت أننا يمكننا إعادة استخدام أدوات المطابقة القوية لعمليات الإصدار، ولكن لا يمكننا استخدامها "كما هي". نحن بحاجة إلى:

1. القياس بشكل مختلف: لا تنظر فقط إلى الدرجة الإجمالية؛ بل قم بتفكيكها إلى "باقٍ"، و"تحديث"، و"إضافة"، و"حذف" لمعرفة الأداء الحقيقي.
2. استخدام دليل: استخدم مرجعًا موثوقًا (مرجع متقاطع) لتضييق نطاق البحث وتجنب الارتباك.
3. قبول الفروق الدقيقة: افهم أنه أحيانًا ما يبدو كأنه تطابق "خاطئ" هو في الواقع انعكاس صحيح لكيفية تطور اللغة والمفاهيم.

يشير المؤلفون إلى أنه مع هذه التحسينات، يمكننا المضي نحو مستقبل يمكن فيه للبرمجيات أن تُحدث نفسها تلقائيًا مع نمو معرفة العالم، مما يحافظ على مكتباتنا الرقمية من الفوضى. إنها خطوة صغيرة ولكنها حيوية نحو إنترنت أكثر ذكاءً وقدرة على التكيف.