Building Open-Retrieval Conversational Question Answering Systems by Generating Synthetic Data and Decontextualizing User Questions

تخيل أنك تحاول العثور على حقيقة محددة في مكتبة ضخمة ومغبرة، لكنك تتحدث إلى أمين مكتبة لم يسمع قط عن تخطيط هذه المكتبة. إذا سألته: "كم يبلغ ثمنه؟"، فقد يبدو مرتبكاً لأنه لا يعرف ما هو "هذا الشيء". هذا هو جوهر مشكلة الإجابة على الأسئلة عبر المحادثة (Conversational Question Answering): البشر يتحدثون باختصارات، مستخدمين كلمات مثل "هو"، "ذلك"، أو "هي" التي لا معنى لها إلا إذا تذكرت ما تحدثنا عنه للتو. ولحل هذه المشكلة، تستخدم الحواسيب خدعة تسمى التوليد المعزز بالاسترجاع (RAG). فكر في الـ RAG كأنه إعطاء أمين المكتبة عدسة مكبرة سحرية تجد الصفحة الصحيحة في المكتبة فوراً قبل أن يجيب. لكن هناك عقبة: يحتاج أمين المكتبة إلى معرفة كيف يطرح السؤال بوضوح على العدسة المكبرة، ويحتاج إلى كومة ضخمة من المحادثات التدريبية ليتعلم كيف يفعل ذلك.

المشكلة هي أنه بالنسبة للمواضيع الجديدة —مثل قواعد شركة تأمين معينة أو دليل استخدام برنامج جديد— لا يوجد أحد قد كتب آلاف المحادثات التدريبية. وتوظيف أشخاص لكتابتها أمر بطيء، ومكلف، وممل. يعالج هذا البحث هذا الصداع تحديداً. يقترح المؤلفون طريقة ذكية لبناء "صالة ألعاب رياضية تدريبية" لأمناء المكتبة من الذكاء الاصطناعي هؤلاء باستخدام المستندات الخام التي تمتلكها الشركة بالفعل. هم لا يكتفون بمجرد نسخ ولصق الجمل؛ بل يقومون أولاً بتفكيك المستندات إلى "بطاقات حقائق" صغيرة وواضحة تماماً (والتي يسمونها الافتراضات/Propositions). ثم يستخدمون ذكاءً اصطناعياً فائق الذكاء لتخيل ما قد يسأل عنه البشر حول هذه البطاقات، مما يخلق محادثة وهمية ولكنها واقعية. وقد وجدوا أن هذه الطريقة المتمثلة في تحويل المستندات الفوضوية إلى بطاقات حقائق نظيفة، ومن ثم توليد محادثات اصطناعية منها، تجعل أمين مكتبة الذكاء الاصطناعي أفضل بكثير في العثور على الإجابات الصحيحة مقارنة بما لو استخدموا الجمل الخام الفوضوية مباشرة.

قصة مصنع المحادثات الاصطناعية

إذن، كيف تعلم روبوتاً أن يكون محاوراً جيداً عندما لا تملك ملايين الدردشات البشرية الحقيقية لتريه إياها؟ بنى مؤلفو هذا البحث خط إنتاج من خطوتين يحول المستندات المملة إلى محادثات تدريبية مثيرة وواقعية.

الخطوة 1: مصنع بطاقات الحقائق
تخيل أن لديك دليل تعليمات سميك للعبة فيديو جديدة. إنه مليء بجمل طويلة ومعقدة مثل: "إذا ضغطت على الزر الأحمر أثناء إمساك وحدة التحكم، فإن الشخصية ستقفز، ولكن فقط إذا كانت البطارية منخفضة". هذا كابوس لمحركات البحث. يقوم مسار العمل الخاص بالمؤلفين أولاً بأخذ هذه المستندات وسؤال ذكاء اصطناعي قوي (استخدموا نموذجاً يسمى Claude 3.5) لتفكيكها. يعمل الذكاء الاصطناعي كمحرر دقيق، حيث يقطع الجمل الطويلة إلى "بطاقات حقائق" قصيرة ومستقلة. إنه يزيل الإشارات المربكة مثل "هو" أو "ذلك" ويضمن أن كل بطاقة هي فكرة كاملة ومكتفية بذاتها.
ومن الأهمية بمكان أن يُطلب من الذكاء الاصطناعي إنشاء بطاقات فقط للأشياء التي قد يهتم البشر فعلياً بالسؤال عنها. فهو يتجاهل الأجزاء المملة مثل "اتصل بنا على 555-0199" ما لم يكن هناك شخص قد يسأل عنها فعلاً. ومن مجموعة مستنداتهم، أنتجوا أكثر من 11,000 بطاقة حقيقة لبيانات شركتهم الخاصة وأكثر من 14,000 للوثائق الحكومية العامة. تصبح هذه البطاقات هي "الحقيقة" التي سيبحث من خلالها أمين مكتبة الذكاء الاصطناعي في النهاية.

الخطوة 2: محاكي المحادثة
الآن بعد أن أصبح لديهم كومة من بطاقات الحقائق، يطلب مسار العمل من الذكاء الاصطناعي تخيل محادثة. يختار مجموعة صغيرة من هذه البطاقات ويقول: "تظاهر بأن بشراً يطرح أسئلة حول هذه الحقائق". يقوم الذكاء الاصطناعي بتوليد دردشة متبادلة. وهنا تكمن الخدعة السحرية: لكل سؤال يطرحه "البشر"، يكتب الذكاء الاصطناعي نسختين:

1. نسخة الإنسان الحقيقي: وهي الطريقة التي يتحدث بها الأشخاص فعلياً، مليئة بالاختصارات. مثل: "كم يبلغ ثمنه؟" (في إشارة إلى شيء ذُكر سابقاً).
2. النسخة الواضحة: وهي نفس السؤال بعد إعادة كتابته ليكون مفهوماً تماماً بمفرده، مثل: "كم يبلغ سعر وثيقة التأمين؟".
   كما يتتبع النظام بدقة أي بطاقات حقائق استُخدمت للإجابة على كل سؤال. وهذا يخلق مجموعة بيانات تدريبية مثالية حيث يعرف الكمبيوتر السؤال الفوضوي، والنسخة الواضحة، والإجابة، والمصدر.

لماذا تتفوق "بطاقات الحقائق" على "الجمل الخام"

لم يتوقف المؤلفون عند مجرد اختلاق محادثات؛ بل اختبروا فرضية كبيرة. أرادوا معرفة: هل من الأفضل تدريب الذكاء الاصطناعي باستخدام هذه "بطاقات الحقائق" النظيفة، أم يجب عليهم فقط تقطيع المستندات الأصلية إلى جمل واستخدامها؟

فكر في الأمر كالبحث عن إبرة في كومة قش. إذا استخدمت الجمل الخام، ستكون كومة القش مليئة بالقش الزائد —كلمات غير ذات صلة، وشروحات طويلة، وسياق مربك. أما إذا استخدمت بطاقات الحقائق، فقد قمت بالفعل بسحب القش وتركت الإبر فقط.
وعندما اختبروا ذلك، كانت النتائج واضحة. أدت المحادثات المبنية من بطاقات الحقائق النظيفة إلى نتائج بحث أفضل بكثير. استطاع الذكاء الاصطناعي العثور على المعلومات الصحيحة بشكل أسرع وأكثر دقة بشكل ملحوظ. في المقابل، كان استخدام الجمل الخام يشبه محاولة العث find إبرة في كومة قش تم لصقها معاً؛ حيث ارتبك محرك البحث بسبب الضجيج. ووجد المؤلفون أنه بينما كانت الجمل الخام جيدة للحفاظ على تدفق المحادثة بسلاسة، إلا أنها كانت سيئة جداً في مساعدة الذكاء الاصطناعي على إيجاد الإجابة فعلياً.

تعليم الروبوت التفكير بنفسه

بمجرد حصولهم على آلاف المحادثات الاصطناعية هذه، استخدموها لتدريب نماذج ذكاء اصطناعي "خفيفة الوزن". هذه النماذج هي حواسيب أصغر، وأسرع، وأرخص مقارنة بالنماذج العملاقة المستخدمة لتوليد البيانات.
لقد دربوا نوعين من المساعدين:

1. المعيد (The Rewriter): نموذج صغير يتعلم كيفية أخذ سؤال فوضوي مليء بالسياق ("كم يبلغ ثمنه؟") وتحويله إلى سؤال واضح ("كم يبلغ سعر التأمين؟").
2. المسترجع (The Retriever): نموذج صغير يتعلم النظر إلى السؤال الواضح والعثور فوراً على بطاقة الحقائق الصحيحة في المكتبة.

كانت النتائج مبهرة. أدت هذه النماذج الصغيرة والرخيصة أداءً يضاهي استخدام الذكاء الاصطناعي العملاق والمكلف للقيام بإعادة الكتابة في كل مرة. في الواقع، في بعض الاختبارات، كان النموذج الصغير المدرب على بياناتهم الاصطناعية أفضل حتى من نموذج مدرب على مجموعات بيانات بشرية ضخمة يصعب الحصول عليها.

كما اكتشفوا طريقاً مختصراً ذكياً. فقد علموا "المعيد" أن يتحقق مما إذا كان السؤال واضحاً بالفعل. فإذا طرح المستخدم سؤالاً مثل: "ما هو سعر الوثيقة؟" (وهو سؤال واضح بالفعل)، تعلم "المعيد" أن يقول: "لا حاجة لإعادة الكتابة"، ويتخطى الخطوة. وفر هذا الوقت، مما قلل وقت المعالجة إلى النصف في العديد من الأسئلة.

هل ينجح الأمر في العالم الحقيقي؟

للتأكد من أن هذا لم يكن مجرد أسلوب يعمل على بيانات وهمية، اختبروا نظامهم على مجموعات بيانات من العالم الحقيقي من المواقع الحكومية (مثل التأمين والمساعدات الطلابية). لقد استبعدوا بيانات التدريب المكتوبة بشرياً من هذه المجموعات الحقيقية لإثبات أن طريقتهم يمكن أن تعمل من الصفر.
وقد صمدت النتائج. كانت نماذجهم الصغيرة، المدربة فقط على محادثاتهم الاصطناعية، قادرة على العث وتجد الإجابات الصحيحة في المستندات الواقعية بشكل أفضل بكثير مما لو استخدموا الأسئلة الخام الفوضوية. وبينما كان استخدام ذكاء اصطناعي عملاق لإعادة كتابة الأسئلة في الوقت الفعلي أفضل قليلاً، إلا أنه كان أيضاً أبطأ وأكثر تكلفة بكثير. قدمت نماذجهم الصغيرة المدربة الحل الأمثل: سريعة، رخيصة، ودقيقة للغاية.

الخلاصة

يشير البحث إلى أننا لسنا بحاجة لانتظار البشر ليكتبوا ملايين المحادثات المثالية لبناء مساعدين أذكياء. بدلاً من ذلك، يمكننا أخذ المستندات التي نمتلكها بالفعل، وتحويلها إلى حقائق نظيفة ومجزأة، وترك ذكاء اصطناعي قوي يتخيل المحادثات. هذه البيانات الاصطناعية جيدة بما يكفي لتدريب نماذج أصغر وأسرع يمكنها التعامل مع الأسئلة الواقعية بفعالية.

ومع ذلك، يلاحظ المؤلفون بحذر أن هذا ليس عصا سحرية. فنظامهم لا يزال يعتمد على ذكاء اصطناعي كبير ومكلف لتوليد بيانات التدريب الأولية. وبينما النماذج الصغيرة رائعة في إيجاد الإجابات، فإنها لا تزال بحاجة إلى الذكاء الاصطناعي الكبير لكتابة الاستجابة النهائية للمستخدم فعلياً. ولكن بالنسبة للجزء الصعب المتمثل في العثور على المعلومات الصحيحة في بحر من المستندات، يبدو أن نهج "المصنع الاصطناعي" هذا يمثل تغييراً جذرياً، حيث يحول الأدلة الفوضوية إلى معرفة واضحة وقابلة للبحث دون الحاجة إلى فريق من المراجعين البشريين.