DeepSieve: Information Sieving via LLM-as-a-Knowledge-Router
تقدم هذه الورقة DeepSieve، وهو إطار عمل توليدي معزز بالاسترجاع ذو طبيعة وكيلية يعمل على تعزيز عمق الاستدلال ودقة الاسترجاع من خلال تفكيك الاستعلامات المعقدة إلى أسئلة فرعية وتوظيف نموذج لغوي كبير كـ "موجه معرفة" (LLM-as-a-knowledge-router) لغربلة وتوجيه المعلومات ديناميكيًا عبر عملية تقطير متعددة المراحل.
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 محقق بارع (النموذج اللغوي الكبير أو LLM) قرأ كل كتاب تقريباً في المكتبة. أنت بارع في حل الألغاز، لكن لديك مشكلة: لا يمكنك تذكر كل ما حدث بالأمس، وليس لديك وصول إلى الملفات السرية في مركز الشرطة أو المذكرات الخاصة بالعمدة.
عندما تحاول حل قضية معقدة تتطلب دمج حقائق قديمة مع معلومات جديدة أو خاصة أو محددة، غالباً ما تتعثر، أو تخطئ في التخمين، أو تختلق حقائق (تهلوس).
DeepSieve هو نظام مساعد ذكي للغاية صُمم لمساعدة هذا المحقق في حل هذه القضايا الصعبة. بدلاً من مجرد مطالبة المحقق بـ "اذهب وابحث عن الإجابة"، يعمل DeepSieve كـ مرشح معلومات ومايسترو لحركة المرور البارع.
إليك كيف يعمل، مقسماً إلى خطوات بسيطة مع تشبيهات:
1. المشكلة: خطأ "المقاس الواحد الذي يناسب الجميع"
الأنظمة التقليدية (التي تسمى RAG) تشبه المحقق الذي يفرغ كل الأدلة على طاولة واحدة ضخمة ويحاول قراءتها كلها دفعة واحدة.
- المشكلة: إذا كان لديك قاعدة بيانات خاصة، وموقع إلكتروني عام، وجدول بيانات SQL، فإن خلطهم جميعاً معاً سيكون فوضوياً. الأمر يشبه محاولة العثور على إبرة محددة في كومة قش تحتوي أيضاً على كومة من الرمل، ودلو من الماء، وكيس من الكرات الزجاجية. سيصاب المحقق بالارتباك، ويهدر الوقت، وغالباً ما يختار الإبرة الخاطئة.
2. الحل: DeepSieve (الـ "منخل" والـ "موجه")
يغير DeepSieve قواعد اللعبة باستخدام عملية مكونة من أربع خطوات تبدو وكأنها مطبخ منظم جيداً أو مصنع عالي التقنية.
الخطوة 1: التفكيك (تقطيع الشطيرة الكبيرة)
بدلاً من سؤال المحقق: "من هو زوج المرأة التي أسست خدمة الأطباء الطائرين في نيجيريا؟" (سؤال ضخم ومعقد)، يقوم DeepSğu بتفكيكه.
- التشبيه: تخيل أن لديك شطيرة ضخمة ومعقدة. بدلاً من محاولة أكلها كاملة، تقوم بتفكيكها إلى الخبز، واللحم، والجبن، والخس.
- ماذا يحدث: يقوم DeepSieve بتقسيم السؤال الكبير إلى أسئلة فرعية صغيرة وبسيطة:
- من أسس خدمة الأطباء الطائرين؟
- من هو زوج ذلك الشخص؟
الآن، يتعين على المحقق فقط حل ألغاز صغيرة وسهلة.
الخطوة 2: التوجيه (موجه المعرفة)
هذا هو الجزء السحري. DeepSieve لا يبحث في مكان واحد فقط. إنه يعمل مثل موظف الاستقبال الذكي في فندق.
- السيناريو: لديك "قاعدة بيانات محلية" (ملفات شركة خاصة)، و"قاعدة بيانات عالمية" (ويكيبيديا)، و"محرك بحث" (جوجل).
- الإجراء: عندما يحتاج المحقق لمعرفة "من أسس الأطباء الطائرين؟"، يقول الموجه: "اذهب وتحقق من القاعدة العالمية (ويكيبيديا)". ولكن عندما يحتاج المحقق لمعرفة "من هو زوجها؟"، قد يقول الموجه: "هذه معلومة خاصة؛ تحقق من القاعدة المحلية".
- لماذا يهم هذا: هذا يمنع المحقق من إضاعة الوقت في قراءة ويكيبيديا بينما الإجابة موجودة في ورقة إكسل خاصة، والعكس صحيح. إنه يصفي الضجيج.
الخطوة 3: التأمل/المراجعة (لحظة "انتظر، دعني أتحقق من ذلك")
أحياناً، يذهب المحقق إلى المكان الصحيح ولكنه يعود بإجابة خاطئة أو بدون إجابة على الإطلاق.
- التشبيه: تخيل أنك سألت أمين مكتبة عن كتاب، فأعطاك صفحة بيضاء. النظام العادي سيقول فقط: "حسناً، سأفترض أن الإجابة هي 'بيضاء'".
- حركة DeepSieve: يقول: "انتظر، هذا لا يبدو منطقياً. لنحاول مع أمين مكتبة آخر أو نطرح السؤال بشكل مختلف". إنه يعود في حلقة مفرغة، ويعيد توجيه السؤال، ويحاول مرة أخرى حتى يجد الحقيقة. هذا يمنع المحقق من الاستسلام أو اختلاق الأمور.
الخطوة 4: الدمج (تجميع قطع الأحجية)
بمجرد الإجابة على جميع الأسئلة الفرعية الصغيرة بشكل صحيح من المصادر الصحيحة، يقوم DeepSieve بجمع القطع.
- التشبيه: يشبه الأمر رئيس طهاة يأخذ الخبز، واللحم، والجبن، والخس (الإجابات) ويقوم بتجميعها لتكوين الشطيرة المثالية (الإجابة النهائية). إنه يتأكد من أن القصة تتدفق منطقياً وأنه لا يوجد شيء ناقص.
لماذا يعد هذا أمراً بالغ الأهمية؟
- إنه أرخص: لأنه لا يضيع الوقت في قراءة كتب غير ذات صلة، فهو يستخدم عدداً أقل من "الرموز" (Tokens) (والتي تشبه دفع ثمن وقت المحقق). إنه أسرع وأقل تكلفة.
- إنه أكثر دقة: من خلال التحقق من المصدر الصحيح للسؤال الصحيح، فإنه يمنع المحقق من التخمين.
- إنه يتعامل مع البيانات الفوضوية: الحياة الواقعية فوضوية. لدينا ملفات خاصة، ومواقع إلكترونية عامة، وقواعد بيانات لا تتحدث مع بعضها البعض. DeepSieve هو النظام الوحيد الذي يعرف كيفية التنقل في هذه الفوضى دون محاولة دمج كل شيء في كومة واحدة ضخمة وفوضوية.
الخلاصة
فكر في DeepSieve كـ مدير مشروع نهائي للذكاء الاصطوي. بدلاً من ترك الذكاء الاصطوي يتجول بلا هدف في مكتبة، يعطيه DeepSieve خريطة، ويقسم المهمة إلى وظائف صغيرة، ويرسله إلى الخبير المناسب لكل وظيفة، ويتحقق من العمل، ثم يجمع التقرير النهائي.
إنه يحول الذكاء الاصطوي من "ذكي ولكن مرتبك" إلى "مركز، وفعال، ودقيق" في حل المشكلات.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.