🤖 AI

Entropic Claim Resolution: Uncertainty-Driven Evidence Selection for RAG

تقدم هذه الورقة "حل الادعاءات الإنتروبي" (ECR)، وهو خوارزمية استدلال مبتكرة تعمل أثناء وقت الاستنتاج لتعزيز أنظمة التوليد المعزز بالاسترجاع، وذلك عبر اختيار الأدلة ديناميكيًا لتعظيم "الحد من الإنتروبيا المتوقعة"، مما ينقل نموذج الاسترجاع من الصلة الدلالية إلى تقليل عدم اليقين التمييزي لحل الاستعلامات المتضاربة أو الغامضة.

المؤلفون الأصليون: Davide Di Gioia

نُشر 2026-03-31

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Davide Di Gioia

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 يحاول حل لغز ما. لديك صندوق كبير من الأدلة (وثائق) وقائمة من المشتبه بهم (إجابات محتملة).

الطريقة القديمة (RAG القياسي):
تعمل معظم أنظمة الذكاء الاصطناعي الحالية مثل محقق يلتقط فقط أول 5 أدلة تبدو الأكثر تشابهاً مع صورة مسرح الجريمة. إذا كانت الصورة تظهر سيارة حمراء، فإن الذكاء الاصطناعي سيجمع كل الأدلة التي تذكر كلمة "أحمر" أو "سيارة".

المشكلة: أحياناً، تكون جميع الأدلة حول نفس السيارة الحمراء، لكنها لا تخبرك من قادها. أو والأسوأ من ذلك، قد يقول دليل ما "جون قاد السيارة الحمراء"، ويقول دليل آخر "ماري قادت السيارة الحمراء". إذا قام الذكاء الاصطناعي فقط بجلب الأدلة "الأكثر تشابهاً"، فقد يجلب 5 أدلة عن جون ويتجاهل الأدلة المتعلقة بماري، مما يجعله يخمن المشتبه به الخطأ بكل ثقة. الأمر يشبه قراءة نفس الصفحة من كتاب خمس مرات والاعتقاد بأنك عرفت القصة بأكملها.

الطريـقة الجديدة (حل الادعاءات الإنتروبي - ECR):
يقدم هذا البحث استراتيجية جديدة للمحقق تسمى "حل الادعاءات الإنتروبي" (Entropic Claim Resolution - ECR). بدلاً من جلب الأدلة بناءً على مدى تشابهها، يقوم هذا المحقق بجلب الأدلة بناءً على مدى قدرتها على تقليل الحيرة.

إليك كيف يعمل ذلك، باستخدام تشبيه بسيط:

1. "مقياس الحيرة" (الإنتروبيا)

تخيل عقلك كغرفة مليئة بالضباب. في كل مرة يكون لديك سؤال، تمتلئ الغرفة بالضباب (عدم اليقين).

الذكاء الاصطناعي القياسي: يبحث فقط عن أدلة تشبه لون الضباب.
ECR: لديه "مقياس حيرة" خاص. هدفه الوحيد هو تبديد الضباب بأسرع وقت ممكن. يتساءل: "أي دليل واحد، إذا قرأته الآن، سيقلل من الضباب بأكبر قدر ممكن؟"

2. استراتيجية "نقطة التحول" (تقليل الإنتروبيا المتوقع)

لنفترض أن لديك ثلاثة مشتبه بهم: أليس، وبوب، وتشارلي.

الدليل (أ): "أليس تحب البيتزا." (هذا لا يساعد كثيراً؛ فالثلاثة يحبون البيتزا. هذا لا يزيل الكثير من الضباب.)
الدليل (ب): "رُئي بوب في مكان الحادث." (هذا يزيل بعض الضباب؛ أليس وتشارلي أقل احتمالاً الآن.)
الدليل (ج): "تشارلي كان في بلد آخر." (هذا يزيل الكثير من الضباب! فهو يستبعد تشارلي فوراً.)

إن نظام ECR ذكي بما يكفي ليعرف أن الدليل (ج) هو الأكثر قيمة، حتى لو لم يكن يبدو مطابقاً تماماً لسؤالك. إنه يختار الدليل الذي يقسم الاحتمالات بشكل أكبر. الأمر يشبه لعب لعبة "20 سؤالاً" حيث تسأل دائماً السؤال الذي يقلص الاحتمالات المتبقية إلى النصف، بدلاً من سؤال "هل هو كلب؟" بينما أنت تعلم بالفعل أنه مركبة.

3. "علامة التوقف" (الكفاية المعرفية)

يستمر معظم الذكاء الاصطناعي في القراءة حتى ينفد وقته أو يصل إلى حد معين من الكلمات. أما ECR فيمتلك علامة توقف رياضية.

يستمر في فحص "مقياس الحيرة".
بمجرد أن يصبح الضباب خفيفاً بما يكفي (عندما يصل المقياس إلى رقم منخفض)، يقول: "توقف! لقد عرفنا ما يكفي. لنعطِ الإجابة."
إذا ظل المقياس مرتفعاً لأن الأدلة متناقضة (على سبيل المثال: دليل يقول "كانت أليس"، وآخر يقول "بالتأكيد لم تكن أليس")، فإن ECR يتوقف ويقول: "لا يمكنني حل هذا. الأدلة تتضارب فيما بينها. سأخبركم أنني مرتبك." إنه يرفض التخمين العشوائي.

4. "محقق الحقيقة" (التحقق من الادعاءات)

بدلاً من قراءة فقرات كاملة، يقوم ECR بتفكيك النص إلى حقائق صغيرة ذرية (ادعاءات).

يعامل كل جملة كأنها أداة فحص حقائق صغيرة.
يبني "شبكة من الحقيقة". إذا دعم دليل جديد مشتبهاً به، يحصل ذلك المشتبه به على نقطة. وإذا تعارض دليل مع مشتبه به، فإنه يخسر نقاطاً.
يستمر في إضافة النقاط حتى يحصل أحد المشتبه بهم على نقاط تجعل الآخرين غير قادرين على اللحاق به.

لماذا يهم هذا؟

في العالم الحقيقي (مثل المستشفيات، أو المحاكم، أو البنوك)، لا يكون كونك "صحيحاً في معظم الأحيان" أمراً كافياً.

الذكاء الاصطناعي القديم: قد يعطي تشخيصاً طبياً خاطئاً بثقة لأنه وجد بعض المقالات التي تبدو متشابهة.
ECR: سيدرك أن الأدلة متضاربة، وسيتوقف عن العملية، ويخبر الطبيب: "الأدلة مختلطة، لا يمكنني التأكد." وهذا يمنع الهلوسة الخطيرة.

ملخص "السحر"

فكر في ECR كأمين مكتبة فائق الكفاءة لا يكتفي فقط بإعطائك الكتب ذات العناوين الأكثر تشابهاً، بل يسأل: "أي كتاب سيساعدك على فهم الموضوع بشكل أسرع؟"

يختار الكتاب الذي يزيل أكبر قدر من الحيرة.
يتوقف عن القراءة في اللحظة التي تفهم فيها الموضوع.
إذا كانت الكتب متناقضة، فإنه يعترف قائلاً: "لا أستطيع القرار"، بدلاً من اختلاق قصة من عنده.

يثبت هذا البحث أنه من خلال التركيز على تقليل الحيرة بدلاً من مجرد البحث عن التشابهات، يمكننا بناء ذكاء اصطناعي أكثر ذكاءً، وأماناً، وصدقاً بشأن ما يعرفه وما لا يعرفه.

إليك ملخص تقني مفصل لورقة "حل الادعاءات الإنتروبي: اختيار الأدلة القائم على عدم اليقين لـ RAG" للباحث دافيدي دي جويا.

1. بيان المشكلة

تعتمد أنظمة التوليد المعزز بالاسترجاع (RAG) الحالية بشكل كبير على الاسترجاع الكثيف القائم على الصلة (مثل البحث عن أقصى ناتج ضرب داخلي) لجلب المستندات. وبينما يعد هذا الأسلوب فعالاً في الأسئلة البسيطة التي تتطلب حقائق محددة، إلا أنه يفشل في السيناريوهات المعقدة كثيفة المعرفة والتي تتميز بـ:

الأدلة المتضاربة: مصادر متعددة تقدم معلومات متناقضة.
غموض الاستعلام: أسئلة لا تكون فيها الحقيقة الأرضية (ground truth) فريدة أو واضحة.
الانهيار الإبستيمي (المعرفي): الميل إلى استرجاع معلومات مكررة ومتشابهة دلالياً تفشل في حل عدم اليقين، مما يؤدي بالنماذج اللغوية الكبيرة (LLM) إلى توليد إجابات مفرطة في الثقة أو هلوسات.

تفتقر الحلول الحالية، مثل الأطر الوكيلة (ReAct، Tree-of-Thoughts) أو الاسترجاع القائم على الرسوم البيانية، إلى معيار توقف مبني على نظرية القرار وتابع هدف صارم لاختيار القطعة التالية من الأدلة. وغالباً ما تعتمد هذه الحلول على الاستدلالات التجريبية، أو العتبات الثابتة، أو التأمل الذاتي المدفوع بالأوامر (prompts)، مما قد يؤدي إلى حلقات مفرغة، أو توقف مبكر، أو وزن غير مبني على أسس سليمة للأدلة.

2. المنهجية: حل الادعاءات الإنتروبي (ECR)

يقترح المؤلفون حل الادعاءات الإنتروبي (ECR)، وهو خوارزمية استدلال وقت الاستنتاج تعيد صياغة الاستدلال في RAG كعملية تقليل الإنتروبيا عبر فضاء من فرضيات الإجابة الدلالية.

المفاهيم الأساسية

فضاء الفرضيات ( $A$ ): يقوم النظام بتهيئة مجموعة من الإجابات المحتملة المتبادلة الحصرية مع احتمال سابق موحد.
الادعاءات الذرية: بدلاً من استرجاع مستندات كاملة، يعمل النظام على مجموعة من الادعاءات الحقائقية الذرية المستمدة من المتن المسترجع.
الهدف: الهدف ليس العثور على الادعاء الأكثر صلة، بل الادعاء الأكثر تمييزاً—أي الذي يقلل الإنتروبيا (عدم اليقين) في فضاء الفرضيات إلى أقصى حد.

الخوارزمية

التهيئة: توليد فضاء فرضيات $A$ ومجموعة مرشحة من الادعاءات $C_{cand}$ .
سياسة الاختيار (تقليل الإنتروبيا المتوقع - EER): في كل خطوة، يختار النظام الادعاء $c^*$ $c^{*}$ الذي يعظم تقليل الإنتروبيا المتوقع:
$c^* = \arg \max_{c \in C_{cand}} \text{EER}(c | X_{eval})$
حيث يمثل EER الفرق بين الإنتروبيا الحالية والإنتروبيا اللاحقة المتوقعة بعد التحقق من الادعاء.
- التنفيذ بالوكالة: لضمان انخفاض زمن الاستنتاج، يتم استخدام وكيل فعال حاسوبياً يقوم بتقييم الادعاءات بناءً على مدى قدرتها على تقسيم الكتلة الاحتمالية بين الفرضيات المؤيدة وغير المؤيدة.
الاختيار الواعي بالتماسك: يتم إضافة حد تنظيم ( $\lambda$ ) لإعطاء الأولوية للادعاءات التي تكمل التناقضات الصريحة. يضمن ذلك أنه إذا كانت الأدلة متناقضة بطبيعتها، فإن النظام سيظهر هذا الصراع بدلاً من تسويته بالمتوسط.
التحقق والتحديث: يتم التحقق من الادعاء المختار (باستخدام المصدر الطوبولوجي أو التحقق بواسطة LLM)، ويتم تحديث توزيع الاحتمال اللاحق $P(A|X)$ باستخدام القواعد البايزية.
معيار التوقف: تنتهي العملية عند الوصول إلى الكفاية الإبستيمية (المعرفية):
$H(A | X_{eval}) \le \epsilon \quad \land \quad \neg \text{Conflict}(X_{eval})$
إذا انخفضت الإنتروبيا تحت عتبة $\epsilon$ ولم توجد تناقضات، يقوم النظام بتوليد الإجابة. وإذا استمرت التناقضات، يتوقف ويكشف عن الغموض.

التكامل في النظام (CSGR++)

يتم دمج ECR في CSGR++، وهو خط معالجة استرجاع متعدد الاستراتيجيات جاهز للإنتاج، والذي:

يعامل البيانات الجدولية المهيكلة والنصوص غير المهيكلة كادعاءات ذرية من الدرجة الأولى.
يستخدم خلفية (Entity-Attribute-Value - EAV) لتتبع المصدر.
يستخدم استراتيجية استرجاع هجينة (متجه + رسم بياني + ادعاء) مدمجة عبر دمج الرتب المتبادل (RRF).
يشغل ECR فقط عند اكتشاف عدم يقين إبستيمي عالٍ (مثل: حجم ادعاءات كبير، غموض نحوي، أو تباين عالٍ في الثقة).

3. المساهمات الرئيسية

تحول في النموذج: ينقل RAG من "استرجاع ما هو أكثر صلة" إلى "استرجاع ما هو أكثر تمييزاً" لحل غموض الفرضيات.
الدقة الرياضية: يحدد معيار توقف مبني على أسس متينة يعتمد على الكفاية الإبستيمية ( $H \le \epsilon$ )، بدلاً من الاعتماد على الاستدلالات أو الحدود الثابتة.
سلوك مرحلة الانتقال: يوضح أن ECR ينتقل من "الانهيار الإبستيمي القسري" إلى "كشف الغموض المنضبط" عندما توجد تناقضات مهيكلة، مما يمنع النظام من هلوسة إجابة واحدة عندما تكون الأدلة غير متسقة.
القابلية للتوسع: تنفيذ ECR كخوارزمية خفيفة الوزن أثناء الاستنتاج لا تتطلب ضبطاً دقيقاً للنموذج، ومدمجة في خط إنتاج معقد.

4. النتائج التجريبية

أُجري التقييم على مرحلتين: حوامل التحكم على مستوى الادعاءات، والأسئلة والأجوبة متعددة الخطوات (multi-hop QA) الشاملة.

حامل التحكم في الادعاءات فقط:
- الكفاءة: وصل ECR إلى الكفاية الإبستيمية ( $H \le 0.3$ بت) باستخدام 5 ادعاءات فقط، بينما تطلب نظام الاسترجاع القائم على الصلة 15 ادعاءً وفشل في تقليل الإنتروبيا بشكل كبير.
- الأداء: قلل ECR الإنتروبيا النهائية إلى حوالي 0.21 بت مقارنة بـ 1.58 بت للنماذج المرجعية القائمة على الاسترجاع فقط.
- المتانة: ظلت النتائج مستقرة عبر العديد من البذور العشوائية (random seeds).
تقييم HotpotQA الشامل:
- الدقة: حقق ECR أداءً مقارباً للنماذج القوية القائمة على الصلة (المطابقة التامة: 0.297 مقابل 0.313) مع استخدام عدد مماثل من الادعاءات (~19.7).
- النموذج العشوائي: تفوق ECR بشكل كبير على اختيار الأدلة العشوائي (المطابقة التامة: 0.297 مقابل 0.207).
- المتانة تجاه الضجيج: عندما تم استبدال 40% من الادعاءات المرشحة بضجيج، تدهور أداء ECR بشكل متوقع دون تضخيم الأخطاء أو الهلوسة، على عكس الأنظمة القائمة على الصلة التي عانت من انخفاضات أكثر حدة في الموثوقية.
حقن التناقض (خارج الخط/Offline):
- النموذج المرجعي لـ RAG: ظل مفرط الثقة بشكل مرضي (معدل خطأ في الثقة المفرطة بنسبة 99%) حتى عند حقن تناقضات صريحة.
- ECR: أظهر انتقالاً طورياً حاداً. مع زيادة معدلات التناقض ( $\alpha \ge 0.3$ )، توقف ECR عن محاولة تقليص فضاء الفرضيات، وبدلاً من ذلك كشف عن الغموض (كشف الغموض بنسبة 100%) وتوقف بسبب الصراع غير المحلول.

5. الأهمية

الموثوقية في الحالات عالية المخاطر: يوفر ECR آلية سلامة حاسمة لمجالات مثل الطب والقانون والتمويل. فمن خلال رفض صياغة إجابة عندما تكون الأدلة متناقضة أو غير كافية، فإنه يحد من "الهلوسات غير المحوطة".
كفاءة التكلفة: يمنع معيار التوقف الديناميكي الاسترجاع غير الضروري ومعالجة السياق المكرر، مما يقلل من زمن الاستجابة والتكاليف الحسابية.
الأساس النظري: يجسّر الفجوة بين نظرية المعلومات، وتصميم التجارب البايزية، والتوليد العصبي، ويقدم إطاراً رسمياً للاستدلال الواعي بعدم اليقين.
الاتجاه المستقبلي: تشير الورقة إلى أن توسيع الأنظمة كثيفة المعرفة يجب أن يعتمد على الاستدلال القائم على نظرية القرار (التحكم في كيفية اختيار الأدلة) بدلاً من مجرد التوسع العشوائي في السياق أو استخدام نماذج أكبر.

باختصار، يقدم حل الادعاءات الإنتروبي طريقة قائمة على أسس رياضية وفعالة حاسوبياً لتحويل RAG من نظام استرجاع سلبي إلى محرك استدلال نشط وواعٍ بعدم اليقين، قادر على التعامل مع الأدلة المتضاربة والغموض بدقة.