🤖 AI

Developing an AI Assistant for Knowledge Management and Workforce Training in State DOTs

تقترح هذه الورقة إطار عمل للتعزيز التوليدي المستند إلى الاسترجاع متعدد الوكلاء يدمج النماذج اللغوية الكبيرة ذات الأوزان المفتوحة ونماذج الرؤية واللغة لتعزيز إدارة المعرفة وتدريب القوى العاملة في وزارات النقل بالولايات، وذلك من خلال تمكين استجابات مدركة للسياق ومستندة إلى الأدلة من الوثائق الفنية النصية والبصرية.

المؤلفون الأصليون: Divija Amaram, Lu Gao, Gowtham Reddy Gudla, Tejaswini Sanjay Katale

نُشر 2026-03-05

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Divija Amaram, Lu Gao, Gowtham Reddy Gudla, Tejaswini Sanjay Katale

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 مكتبة ضخمة وصاخبة، حيث الكتب هي الأدلة السرية، وأدلة السلامة، والتقارير الهندسية لوزارة النقل (DOT). تضم هذه المكتبة القدرة الذهنية الجماعية لآلاف المهندسين الذين بنوا وأصلحوا الطرق لعقود من الزمن.

المشكلة: أزمة "المعرفة المفقودة"
هنا تكمن المشكلة: المكتبة ضخمة، وفوضوية، وتزداد فوضى يوماً بعد يوم.

منحدر التقاعد: كبار المهندسين الذين يعرفون "الحيل السرية" لإصلاح الحفر أو إدارة حركة المرور يتقاعدون. وعندما يغادرون، يأخذون خبرتهم معهم، مثل أمين مكتبة يخرج من الباب ويأخذ معه الخريطة الوحيدة لصندوق الكنز.
الإبرة في كومة القش: المهندسون الجدد يغرقون في الأوراق. يحتاجون للعثور على قاعدة محددة حول "ختم الشقوق" (crack sealing) الآن فوراً لإصلاح طريق ما، لكن البحث عبر آلاف ملفات PDF والجداول يشبه محاولة العث lập حبة رمل محددة على الشاطئ.
خطر "الهلوسة": إذا سألت ذكاءً اصطناعياً عادياً (مثل روبوت دردشة بسيط)، فقد يخترع إجابة لأنه يخمن بناءً على معرفة عامة، وليس بناءً على القواعد المحددة والصارمة لوزارة النقل. وفي مجال سلامة الطرق، قد تكون الإجابة الخاطئة خطيرة.

الحلول: فريق "المهام الخارقة" المساعد (AI Assistant)
قام مؤلفو هذه الورقة البحثية ببناء نوع جديد من المساعد الذكي. بدلاً من وجود روبوت واحد يحاول القيام بكل شيء، أنشأوا فريقاً من الروبوتات المتخصصة (يسمى "RAG متعدد الوكلاء") يعملون معاً مثل شركة أبحاث رفيعة المستوى.

إليك كيف يعمل هذا الفريق، باستخدام تشبيه بسيط:

1. أمين المكتبة (وكيل الاسترجاع - The Retriever Agent)

عندما تطرح سؤالاً (مثلاً: "كم تدوم طبقة الختم الحجري (chip seal)؟")، فإن الروبوت الأول لا يخمن فحسب. بل يعمل كأمين مكتبة فائق السرعة؛ يغوص في المكتبة، ويمسح الرفوف، ويستخرج أكثر ثلاثة مستندات صلة بالموضوع.

اللمسة المميزة: أمين المكتبة هذا ذكي بما يكفي لقراءة الصور والمخططات، وليس النصوص فقط. إذا كان المخطط يعرض رسماً بيانياً لتآكل الطريق بمرور الوقت، فيمكن لهذا الروبوت "قراءة" الرسم البياني وفهم معناه، وتحويل البيانات المرئية إلى كلمات ليتمكن الفريق من استخدامها.

2. الباحث (وكيل التوليد - The Generator Agent)

بمجرد أن يسلم أمين المكتبة المستندات، يقوم الروبوت "الباحث" بقراءتها بعناية. هو لا يختلق الأمور، بل يقول: "بناءً على هذه المستندات المحددة فقط، إليك الإجابة". إنه يكتب استجابة واضحة وسهلة الفهم، مع ذكر المصدر بدقة (أي صفحة أو جدول تحديداً جاءت منه المعلومة).

3. مفتش مراقبة الجودة (وكيل التقييم - The Evaluator Agent)

قبل أن تصل الإجابة إليك، يقوم الروبوت "المفتش" بفحصها. ويسأل نفسه:

"هل هذه الإجابة واضحة؟"
"هل وجدنا بالفعل المستندات الصحيحة؟"
"هل النصيحة المقدمة آمنة للاستخدام؟"
إذا كانت الإجابة ضعيفة أو لم تكن المستندات مطابقة تماماً، يقوم المفتش بإعادة المهمة من البداية.

4. المحقق (وكيل تحسين الاستعلام - The Query Refiner Agent)

إذا قال المفتش: "هذه الإجابة ينقصها شيء ما"، يتدخل "المحقق". يدرك المحقق أن السؤال الأصلي قد يكون غامضاً للغاية، فيقوم بإعادة صياغة السؤال ليكون أكثر تحديداً (على سبيل المثال، تغيير "كم تدوم؟" إلى "كم تدوم طبقة الختم الحجري في المناخات الحارة والممطرة؟") ويرسل السؤال الجديد إلى أمين المكتبة للمحاولة مرة أخرى.

لماذا يعد هذا أمراً بالغ الأهمية؟
اختبر الفريق هذا النظام باستخدام أكثر من 500 مستند حقيقي من وزارة النقل و100 سؤال صعب حول صيانة الطرق.

النتيجة: كان النظام دقيقاً للغاية؛ حيث وجد المعلومات الصحيحة بنسبة 94.4% ضمن أفضل ثلاثة تخمينات له.
المقارنة: الذكاء الاصطناعي التقليدي "أحادي الخطوة" (الذي يسأل مرة واحدة ويعطي إجابة) غالباً ما يخطئ الهدف. أما هذا النهج "الجماعي" الذي يراجع عمله ويطرح أسئلة أفضل، فهو أكثر موثوقية.

الخلاصة
تقترح هذه الورقة طريقة لحفظ "الذاكرة المؤسسية" لوكالات النقل. إنها تحول مكتبة فوضوية من الكتيبات المغبرة والجداول المربكة إلى مساعد خبير، ودود، ومتاح على مدار الساعة طوال أيام الأسبوع. إنها تضمن أنه عندما يواجه مهندس جديد مشكلة، لا يتعين عليه التخمين أو انتظار مرشد خبير؛ بل يمكنه الحصول على إجابة دقيقة ومدققة فوراً، مما يحافظ على سلامة طرقنا ويجعل قوتنا العاملة أكثر ذكاءً.

باختصار: الأمر يشبه منح كل عامل طرق فريقاً شخصياً من أمناء المكتبة، والباحثين، والمحققين الخبراء الذين لا ينسون حقيقة أبداً ولا يغادرون المبنى أبداً.

فيما يلي ملخص تقني مفصل لورقة البحث بعنوان "تطوير مساعد ذكاء اصطناعي لإدارة المعرفة وتدريب القوى العاملة في وزارات النقل بالولايات".

١. بيان المشكلة

تواجه وزارات النقل في الولايات (DOTs) تحديات حرجة في إدارة المعرفة (KM) وتدريب القوى العاملة:

فقدان المعرفة: يؤدي تقاعد كبار المهندسين إلى فقدان المعرفة المؤسسية الضمنية.
تراكم المعلومات وتجزئتها: تحتفظ الوكالات بأحجام هائلة من الوثائق التقنية غير المنظمة أو شبه المنظمة (أدلة، تقارير، إرشادات). ويواجه المهندسون صعوبة في تحديد موقع معلومات محددة وذات صلة بسرعة لحل المشكلات الميدانية.
محدودية أساليب إدارة المعرفة التقليدية: تُعد التوثيقات الثابتة والتدريب الصفي غير فعالين، مما يؤدي إلى منحنيات تعلم حادة للموظفين الجدد ونقل مجزأ للمعرفة.
محدودية الذكاء الاصطناعي: بينما توفر النماذج اللغوية الكبيرة (LLMs) إمكانات واعدة، إلا أنها تعاني من الهلوسة، وبيانات التدريب القديمة، والافتقار إلى التجذر في مجال تخصصي محدد. علاوة على ذلك، فإن أنظمة التوليد المعزز بالاسترجاع (RAG) القياسية تعتمد غالباً على الاسترجاع أحادي المرحلة، وتفتقر إلى التحسين التكراري وضبط الجودة.
إهمال البيانات المرئية: تحتوي الوثائق التقنية على معلومات بالغة الأهمية في الأشكال (المخططات، الرسوم البيانية، اتجاهات الأداء). تتجاهل أنظمة RAG القياسية هذه العناصر المرئية عادةً لأنها لا تستطيع تضمينها أو استرجاعها دون تحويلها إلى نص.

٢. المنهجية

يقترح المؤلفون إطار عمل الاسترجاع المعزز بالتوليد متعدد الوكلاء (Multi-Agent RAG) المصمم خصيصاً لبيئات وزارات النقل بالولايات. يدمج النظام معالجة البيانات النصية والمرئية من خلال أربعة مكونات رئيسية:

أ. المعالجة المسبقة للأشكال (تكامل الرؤية واللغة)

لمعالجة "فجوة البيانات المرئية"، يعامل النظام الأشكال كوحدات معرفية قابلة للاسترجاع:

الاستخراج: يتم استخراج الأشكال من مستندات PDF.
التحويل الدلالي: يقوم نموذج لغة-رؤية (VLM) مفتوح الأوزان (تحديداً Qwen3-VL-2B-Instruct) بمعالجة كل شكل.
استراتيجية التلقين (Prompting): يتم تلقين نموذج VLM لتوليد ما يلي:
1. تعليق (Caption) للسياق.
2. وصف تفصيلي يتضمن نوع التصور، متغيرات المحاور، الوحدات، الاتجاهات الكمية، والتفسيرات النوعية.
الفهرسة: يتم تضمين هذه الأوصاف النصية المولدة جنباً إلى جنب مع قطع النصوص القياسية في قاعدة بيانات المتجهات، مما يسمح للنظام باسترجاع الأدلة القائمة على الأشكال أثناء الإجابة على الأسئلة.

ب. بنية الوكلاء المتعددين (Multi-Agent Architecture)

على عكس نظام RAG أحادي المرحلة، يستخدم النظام سير عمل تعاوني باستخدام إطار العمل AutoGen مع وكلاء متخصصين:

وكيل الوكيل (User Proxy Agent): يستقبل الاستعلامات من المستخدم وينقلها.
وكيل الاسترجاع (Retriever Agent): يجلب السياق ذي الصلة (النصوص وأوصاف الأشكال) من قاعدة بيانات المتجهات (ChromaDB) باستخدام تشابه جيب التمام (cosine similarity).
وكيل التوليد (Generator Agent): يصيغ الاستجابة بناءً حصرياً على السياق المسترجع، مع ضمان نبرة مناسبة للمبتدئين والالتزام بالاستشهادات الإلزامية. وهو يتجنب المعرفة الخارجية لمنع الهلوسة.
وكيل التقييم (Evaluator Agent): يقيم الاستجابة المولدة من حيث الوضوح، الصلة، والاكتمال.
- إذا كانت مرضية: يتم اعتماد الاستجابة النهائية.
- إذا كانت غير مرضية: يتم إرسال ملاحظات إلى الوكيل التالي.
وكيل تحسين الاستعلام (Query Refiner Agent): يحلل ملاحظات المقيم، ويعيد صياغة الاستعلام الأصلي لزيادة الدقة، ويطلق دورة إعادة استرجاع (حتى $k$ من التكرارات).

ج. النماذج الأساسية

نموذج التضمين (Embedding Model): all-MiniLM-L6-v2 (بأبعاد 384).
نموذج اللغة-الرؤية (Vision-Language Model): Qwen3-VL-2B-Instruct (لوصف الأشكال).
نموذج توليد الاستجابة (Response Generation Model): Qwen3-4B-Instruct-2507 (لتوليد الإجابة النهائية).

٣. المساهمات الرئيسية

إطار عمل RAG متعدد الوكلاء: يتجاوز مرحلة الاسترجاع أحادي المرحلة عبر تقديم نظام مغلق الحلقة يتضمن التقييم وتحسين الاستعلام، مما يحسن دقة الاسترجاع وجودة الإجابات بشكل كبير.
استرجاع المعرفة القائم على الأشكال: نهج مبتكر لتحويل الأشكال التقنية إلى تمثيلات نصية دلالية، مما يمكّن نظام RAG من فهرسة واسترجاع الأدلة المرئية (مثل اتجاهات الأداء، والتحليلات المقارنة) جنباً إلى جنب مع النصوص.
التنفيذ المتخصص في المجال: مصمم خصيصاً لوزارات النقل بالولايات، مع التركيز على صيانة وإدارة الرصف، مع آلية تجذر صارمة لتقليل الهلوسة في السياقات الهندسية عالية الخطورة.
مقاييس أداء شفافة: يسجل النظام مقاييس دقيقة (الدقة/الاستدعاء) ويعمل ضمن قيود نشر منخفضة التكلفة (أجهزة قياسية، دون الحاجة لخوادم متخصصة).

٤. الإعداد التجريبي والنتائج

مجموعة البيانات: مجموعة منتقاة من 521 وثيقة تقنية وبحثية من وزارات نقل متعددة (بما في ذلك تكساس، كاليفورنيا، إلخ)، تغطي فترة 30 عاماً (من التسعينيات إلى 2024). تغطي المواضيع إدارة الرصف، العمر الخدمي، التكاليف، واستراتيجيات إعادة التأهيل.
التقييم: تم اختبار النظام على 100 استعلام متخصص في المجال يتعلق بصيانة الرصف.
المقاييس: الدقة عند أعلى 3 نتائج (Precision@3) والاستدعاء عند أعلى 3 نتائج (Recall@3).

نتائج الأداء:

الاستدعاء عند أعلى 3 نتائج (Recall@3): 94.4% (تم العثور على جميع الأدلة ذات الصلة تقريباً ضمن العناصر الثلاثة المسترجعة الأولى).
الدقة عند أعلى 3 نتائج (Precision@3): ~1.0 (جميع العناصر الثلاثة الأولى المسترجعة كانت ذات صلة).
المقارنة:
- الأساس (Single-Pass RAG): حقق 58% فقط في الاستدعاء عند أعلى 5 نتائج (Recall@5).
- نظام RAG متعدد الوكلاء: حقق 94% في الاستدعاء عند أعلى 3 نتائج (Recall@3).
- التحليل: تفوق نهج الوكلاء المتعددين بشكل كبير على النموذج الأساسي لأن وكيل تحسين الاستعلام نجح في إعادة صياغة الاستعلامات عندما فشل الاسترجاع الأولي، مما أدى إلى استعادة الوثائق التي فاتتها الأنظمة أحادية المرحلة.

٥. الأهمية والعمل المستقبلي

الأهمية: تثبت الدراسة أن نظام الاسترجاع المعزز بالتوليد الوكيل (Agentic RAG)، مقترناً بـ معالجة اللغة-الرؤية، فعال للغاية في المجالات الهندسية المعقدة والمكتنزة بالوثائق. كما يوفر حلاً قابلاً للتوسع للحفاظ على المعرفة المؤسسية وتسريع تدريب القوى العاملة في وكالات البنية التحتية العامة.
المحددات:
- النطاق: يقتصر حالياً على هندسة الرصف؛ ولم يتم اختبار إمكانية التعميم على إدارة حركة المرور أو سلامة الجسور.
- الأتمتة: تتطلب معالجة الأشكال حالياً استخراجاً أو لقطات شاشة يدوية؛ وتعد الأتمتة الكاملة هدفاً مستقبلياً.
العمل المستقبلي: توسيع مجموعة البيانات لتشمل مجالات نقل أوسع (عمليات المرور، تحليل السلامة) وأتمتة خط معالجة الأشكال لتحسين قابلية التوسع.

في الختام، تقدم هذه الورقة بحثاً متيناً قائماً على الأدلة لمساعد ذكاء اصطناعي يجسّر الفجوة بين الوثائق التقنية الضخمة واتخاذ القرارات الهندسية العملية، ويقدم مخططاً لتحديث إدارة المعرفة في قطاعات البنية التحتية العامة الحيوية.