TreeHop: Efficient Embedding-Level Query Rewriter
يُعد TreeHop إطار عمل مبتكرًا على مستوى التضمين (embedding-level) للإجابة على الأسئلة متعددة القفزات (multi-hop) ولا يعتمد على النماذج اللغوية الكبيرة (LLM-free)، حيث يقوم ديناميكيًا بدمج المعلومات الدلالية من الاستعلامات السابقة والمستندات المسترجعة لتبسيط عملية الاسترجاع، محققًا أداءً يضاهي الأساليب المتطورة مع تقليل التكاليف الحسابية وزمن الاستجابة بشكل جذري.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول حل لغز ضخم ومتعدد الطبقات، مثل محاولة معرفة من هو جد أحد المشاهب. لا يمكنك مجرد طرح سؤال واحد والحصول على الإجابة؛ بل عليك تتبع مسار من الأدلة. أولاً، تكتشف من هو والد هذا المشهور. ثم، يتعين عليك أخذ هذا الاسم الجديد وسؤال: "من هو والده هو؟". يُسمى هذا "الاستنتاج متعدد القفزات" (multi-hop reasoning). في عالم الذكاء الاصطناعي، تستخدم الحواسيب نظامًا يسمى "التوليد المعزز بالاسترجاع" (RAG). فكر في الـ RAG كأنه أمين مكتبة فائق الذكاء، لا يكتفي بحفظ الحقائق فحسب، بل يمكنه الركض إلى الرفوف للعثور على الكتب الصحيحة لمساعدتك في الإجابة على أسئلتك.
ومع ذلك، هناك عقبة. عندما يحتاج الكمبيوتر إلى اتباع مسار طويل من الأدلة، فإن الطريقة القديمة في القيام بذلك بطيئة ومكلفة للغاية. الأمر يشبه طلب محقق بشري لقراءة كتاب كامل، ثم كتابة سؤال جديد على ورقة، ثم تسليم تلك الورقة لمحقق آخر، وبعد ذلك يركض ذلك المحقق الآخر إلى المكتبة مرة أخرى. في كل مرة يضطر فيها المحقق إلى "إعادة كتابة" السؤال باستخدام عقل قوي (نموذج لغوي كبير)، فإنه يستغرق الكثير من الوقت والطاقة. إذا كان عليك القيام بذلك عشر مرات لحل لغز ما، فستنتظر وقتًا طويلاً وتستهلك الكثير من الكهرباء. لقد كان العلماء يبحثون عن طريقة لجعل عمل هذا المحقق أسرع دون فقدان القدرة على حل أصعب الألغاز.
هنا يأتي دور طريقة جديدة تسمى TreeHop. أدرك الباحثون وراء TreeHop أنك لست بحاجة إلى محقق كامل لإعادة كتابة كل سؤال. بدلاً من ذلك، يمكنك فقط تعديل "الخريطة" التي يستخدمها الكمبيوتر للعثور على الكتب. تخيل استعلام البحث الخاص بالكمبيوتر كإبرة بوصلة سحرية متوهجة. في النظام القديم، في كل مرة تجد فيها دليلًا، كان عليك التوقف، وصهر البوصلة، وصياغة بوصلة جديدة تمامًا باستخدام فرن ثقيل وبطيء. أما TreeHop فهو يشبه مقبض ضبط سحري وفوري. فهو يأخذ إبرة البوصلة القديمة والدليل الجديد الذي وجدته للتو، ويقوم بدمجهما فورًا ليشير إلى الاتجاه الصحيح للخطوة التالية. يقوم بذلك عن طريق خلط "الذبذبات" (التضمينات الرياضية - embeddings) للسؤال القديم والدليل الجديد، متجاوزًا عملية الفرن البطيئة تمامًا.
تظهر الورقة البحثية أن هذا "المقبض" الجديد يعمل بشكل جيد للغاية. فمن خلال استخدام هذا التحديث على مستوى التضمين (embedding-level update)، يمكن لـ TreeHop حل هذه الألغاز متعددة الخطوات بنفس دقة الطرق البطيئة والثقيلة، ولكنه أسرع بمراحل. في الواقع، وجد الباحثون أن TreeHop أسرع بنسبة تتراوح بين 92.8% إلى 97.8% من الطرق الحالية التي تعتمد على إعادة كتابة الأسئلة باستخدام نماذج ذكاء اصطناعي ضخمة. كما أنه يستخدم جزءًا ضئيلًا من قدرة الكمبيوتر — أي 2.2% إلى 29.4% فقط من حجم الحلول الأخرى. وللتأكد من أن الكمبيوتر لن يتوه في حلقة مفرغة من فحص نفس الأدلة، يمتلك TreeHop أيضًا "قاعدة توقف" ذكية؛ حيث يقوم بتقليم المسارات التي تؤدي إلى نهايات مسدودة أو الأماكن التي زارها بالفعل، مما يحافظ على شجرة البحث مرتبة وفعالة.
باختصار، تقترح TreeHop أننا لسنا بحاجة لاستدعاء المدفعية الثقيلة (نماذج الذكاء الاصطناعي الضخمة) لكل خطوة صغيرة من خطوات البحث. بدلاً من ذلك، يمكننا استخدام آلية خفيفة وذكية لدفع اتجاه البحث في الوقت الفعلي. تشير النتائج إلى أن هذا يمثل تحولًا جذريًا لجعل أنظمة الذكاء الاصطناعي ليست ذكية بما يكفي لحل الألغاز المعقدة فحسب، بل أيضًا سريعة ورخيصة بما يكفي لاستخدامها في تطبيقات العالم الحقيقي، مثل الهاتف المحمول أو روبوتات خدمة العملاء المزدحمة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.