Evo-DKD: Dual-Knowledge Decoding for Autonomous Ontology Evolution in Large Language Models
يُعد Evo-DKD إطار عمل مبتكر يُمكّن من التطور الذاتي للأنطولوجيا عبر الاستفادة من آلية فك تشفير مزدوجة ضمن النماذج اللغوية الكبيرة لتوليد تعديلات مهيكلة ومبررات باللغة الطبيعية في آن واحد، والتي يتم تنسيقها عبر نظام بوابات ديناميكي والتحقق منها في حلقة استدلال مغلقة للتفوق على النماذج المرجعية أحادية المسار في الدقة وأداء المهام اللاحقة.
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 الإنترنت كمكتبة ضخمة وفوضوية، حيث تُكتب الكتب باستمرار، لكن نظام الفهرسة فيها عالق في العصر الحجري. في هذه المكتبة، تشبه "الأنطولوجيات" (Ontologies) نظام الأرشفة الرئيسي—وهو مجموعة صارمة من القواعد التي تخبرنا بالضبط كيف ترتبط الأشياء ببعضها البعض (على سبيل المثال، أن "الكلب" هو نوع من "الثدييات"، وأن "الثدييات" تحتاج إلى "طعام"). الحفاظ على هذا الفهرس محدثاً يمثل كابوساً للبشر لأن العالم يتغير بسرعة كبيرة؛ فالحقائق الجديدة تظهر في كل ثانية، وتحديث نظام الفهرسة يدوياً عملية بطيئة ومملة.
هنا يأتي دور "النماذج اللغوية الكبيرة" (LLMs). فكر في هذه النماذج كقراء أذكياء جداً ونهمين، قرأوا كل شيء تقريباً في المكتبة. يمكنهم فهم القصص والحقائق الجديدة فوراً. ومع ذلك، هناك عقبة: بينما هم بارعون في الدردشة وكتابة القصص، إلا أنهم سيئون جداً في اتباع قواعد الفهرسة الصارمة. إذا طلبت منهم تحديث الفهرس، فقد يخترعون حقائق (وهي مشكلة تسمى "الهلوسة") أو يكتبون المعلومات في فقرة فوضوية بدلاً من مدخل منظم وأنيق. السؤال الكبير الذي يسأله العلماء هو: هل يمكننا تعليم هؤلاء القراء الخارقين ليس فقط معرفة الأشياء، بل تنظيمها بشكل مثالي دون أن يمسك إنسان بزمام أمورهم؟
هنا تظهر فكرة جديدة تسمى Evo-DKD. يقترح الباحثون وراء هذا المشروع، فيشال رامان، وفيجاي أرافيند آر، وأبيجيث راجاف، طريقة ذكية لجعل هذه النماذج تعمل كفريق من خبيرين يعملان معاً. بدلاً من عقل واحد يحاول القيام بكل شيء، يقومون بمحاكاة نظام "المفكك المزدوج" (Dual-Decoder). تخيل طاقم بناء حيث يوجد عامل واحد هو مهندس معماري صارم لا يتحدث إلا بلغة المخططات والقياسات (المفكك الهيكلي)، بينما الآخر هو رئيس عمال ثرثار يشرح لماذا يبنون بهذه الطريقة باللغة الإنجليزية البسيطة (المفكك غير الهيكلي).
في هذا الإعداد، يقترح "المهندس المعماري" حقيقة جديدة لإضافتها إلى الرسم البياني للمعرفة (مثل "أوزمبيك يساعد في إنقاص الوزن")، بينما يكتب "رئيس العمال" فوراً جملة تشرح السبب ("الأطباء يوصون بأوزمبيك لأن...") . وتعمل "آلية بوابة" خاصة—تخيلها كإشارة مرور أو حكم—لتحديد متى يجب الاستماع إلى المهندس المعماري ومتى يجب الاستماع إلى رئيس العمال. والأفضل من ذلك هو أن شرح رئيس العمال يُستخدم للتحقق من مخطط المهندس المعماري. إذا كان الشرح غير منطقي، يتم رفض الحقيقة الجديدة. هذا يخلق "حلقة مغلقة" حيث يتحقق الذكاء الاصطناعي من عمله الخاص، ويحدث قاعدة البيانات، ثم يستخدم تلك المعرفة الجديدة للإجابة على الأسئل المستقبلية بشكل أفضل.
اختبر الباحثون هذه الفكرة باستخدام نموذج ذكاء اصطناعي أصغر (TinyLlama-1.1B) لأنهم لم يكن لديهم وصول إلى حواسيب فائقة الضخمة. وبدلاً من بناء عقلين منفصلين مادياً، استخدموا خدعة ذكية باستخدام "المطالبات" (Prompts) لمحاكاة فريق المفكك المزدوج على تدفق نصي واحد. جربوا ذلك في ثلاثة عوالم مختلفة: الرعاية الصحية (الحقائق الطبية)، والبحث الدلالي (معرفة ما يعنيه الناس عندما يبحثون)، والتراث الثقافي (التاريخ والآثار).
كانت النتائج واعدة، رغم أن المؤلفين يشيرون بحذر إلى أن هذه كانت محاكاة. فعندما قارنوا "فريق المفكك المزدوج" هذا بنماذج تتحدث فقط بالمخططات أو تتحدث فقط بالفقرات، فاز الفريق. في اختباراتهم، حقق نهج المفكك المزدوج درجة 0.97 في "الدقة المرنة" (بمعنى أنه حصل على الحقائق بشكل صحيح حتى لو اختلف الصياغة قليلاً) ودرجة 0.93 في "الدقة التامة". كما أنتج تفسيرات أفضل بكثير، حيث سجل 0.88 في اختبار التشابه الدلالي (BERTScore) و0.76 في درجة التقييم من قبل الحكم.
على سبيل المثال، في سيناريو الرعاية الصحية، عندما قيل للذكاء الاصطناعي أن "أوزمبيك يساعد في إدارة إنقاص الوزن"، لم يقم النظام ببساطة بإضافة المعلومة إلى قاعدة البيانات بشكل أعمى؛ بل قام بتوليد الحقيقة الهيكلية (Ozempic, manages, weight) وفي الوقت نفسه كتب: "الأطباء يوصون بأوزميك للمساعدة في إدارة فقدان الوزن في حالات السكري". وعندما اختبروا محرك بحث يستخدم هذه المعرفة الجديدة، استطاع النظام أخيراً الإجابة على أسئلة حول أدوية إنقاص الوزن لمرضى السكري، بينما لم يكن لديه أدنى فكرة من قبل.
ومع ذلك، توضح الورقة البحثية حدود هذا العمل. فهذا ليس عصا سحرية تحل كل شيء بعد. فالنظام يعتمد على المعرفة الداخلية للذكاء الاصطناعي، لذا إذا لم يكن الذكاء الاصطناعي يعرف حقيقة ما من الأساس، فلا يمكنه ابتكارها بشكل صحيح. كما أن خطوة "التحقق" تتم بواسطة الذكاء الاصطناعي نفسه، وليس بواسطة إنسان، مما يعني أنه ليس ضماناً مثالياً للحقيقة. يقترح الباحثون أنه في المستقبل، يمكن دمج هذا مع محركات بحث خارجية أو مراجعين بشريين لجعله أكثر أماناً. ولكن في الوقت الحالي، يشير Evo-DKD إلى مسار رائع للمستقبل: تعليم الذكاء الاصطنانا التحدث مع نفسه بصوتين—واحد صارم، والآخر ثرثار—لبناء مكتبة أذكى وتحدث ذاتياً لمعرفة البشر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.