Tacit Knowledge Extraction via Logic Augmented Generation and Active Inference
تقترح هذه الورقة إطار عمل عصبياً-رمزياً يجمع بين التوليد المعزز بالمنطق والاستدلال النشط لاستخراج المعرفة الضمنية من المجالات الإجرائية مثل التصنيع، مما ينجح في تحويل الخبرة الضمنية إلى رسوم بيانية للمعرفة رسمية وقابلة للتفسير آلياً مع تحسين الاكتمال والجودة الدلالية.
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 تحاول تعليم روبوت كيفية إصلاح محمصة خبز (توستر) معطلة. يمكنك كتابة قائمة بالخطوات: "افصلها عن الكهرباء"، "افتح الجزء الخلفي"، "أزل المسمار". ولكن تكمن المشكلة هنا في أن الخبير البشري لا يكتفي بمجرد اتباع قائمة؛ بل يعتمد على المعرفة الضمنية (Tacit Knowledge)—وهي تلك الأشياء التي يعرفها لكنه لا يقولها أبدًا.
على سبيل المثال، يعرف الخبير أنه يجب إمساك المفك بزاوية معينة، أو أن يشعر متى يكون المسمار "محكمًا بما يكفي" دون الإفراط في شدّه، أو استخدام ملقط محدد للإمساك بزمبرك (سبرينج) صغير. هو لا يذكر هذه التفاصيل في الفيديو لأنه يعتبرها أمورًا بديهية. ولكن بالنسبة للروبوت (أو الكمبيوتر)، فإن هذه التفاصيل المفقودة تشبه الجدران غير المرئية التي تمنع عملية الإصلاح من الاكتمال.
تقدم هذه الورقة البحثية إطار عمل "عصبي-رمزي" (neuro-symbolic) جديدًا (وهي طريقة معقدة تعني دمج الذكاء الاصطناٍعي الشبيه بالبشر مع قواعد منطقية صارمة) لحل هذه المشكلة. فكر في الأمر كأنه مترجم ذو خطوتين يحول فيديوهات الإصلاح الواقعية "الفوضوية" إلى دليل تعليمات مثالي قابل للقراءة آليًا.
المترجم ذو الخطوتين
الخطوة 1: "المهندس المعماري الصارم" (التوليد المعزز بالمنطق)
أولاً، يعمل النظام مثل مهندس معماري صارم. لديه مخطط (يسمى Ontology أو الوجودية) يحدد بالضبط كيف ينبغي وصف عملية الإصلاح. لا يمكنه اختراع أشياء من تلقاء نفسه؛ بل يجب عليه وضع كل شيء داخل الصناديق المحددة في المخطط.
- كيف يعمل: يشاهد الذكاء الاصطنا 😊 الفيديو (أو يقرأ النص المكتوب) ويحاول ملء المخطط.
- شبكة الأمان: نظرًا لأن الذكاء الاصطناعي مجبر على الالتزام بالمخطط، فهو لا "يهلوس" (أي لا يخترع أدوات أو خطوات وهمية). إذا قال الفيديو "فك المسمار"، سيعرف الذكاء الاصطناعي بالضبط نوع الكائن الذي يمثل عملية "فك المسامير" لإنشائه.
- القصور: هذه الخطوة ممتازة في التقاط ما يُقال أو يُعرض بشكل صريح. ولكن إذا استخدم الخبير أداة دون ذكرها، أو إذا كانت الخطوة بديهية للبشر ولكن لم تُذكر، فإن "المهندس المعماري الصارم" سيغفل عنها. المخطط سيكون مثاليًا من الناحية الهيكلية، ولكنه يفتقر إلى "السر الخفي".
الخطوة 2: "شرلوك هولمز" (الاستدلال النشط)
هنا يأتي دور الجزء الثاني من النظام. فكر في هذه الوحدة كأنها محقق ينظر إلى مخطط المهندس المعماري الصارم غير المكتمل ويتساءل: "مهلًا... إذا كنت تفعل هذا، فلا بد أنك تستخدم ذلك".
- منطق المحقق: يستخدم هذا الجزء مفهوم الاستدلال النشط (Active Inference). فبدلاً من مجرد قراءة الكلمات، فإنه يستنتج "الحالات الخفية" للموقف.
- الملاحظة: الفيديو يظهر شخصًا يشد مسمارًا.
- استنتاج الحالة الخفية: "لا يمكنك شد مسمار بيديك المجردتين. لذلك، لا بد من وجود مفك براغي هناك، حتى لو لم تركز الكاميرا عليه".
- استعادة المعرفة الضمنية: يستنتج الأدوات المفقودة، والتحذيرات الضرورية، والقيود الدقيقة التي يعتبرها الخبراء أمورًا مسلمًا بها.
- النتيجة: يقوم المحقق بإضافة هذه التفاصيل "غير المرئية" مرة أخرى إلى المخطط، مع تمييزها بوضوح كمعلومات "مستنتجة" لكي نعرف أنها استنتاجات مبنية على الخبرة وليست مجرد ما تمت رؤيته.
التجربة: إصلاح الإلكترونيات
لاختبار ذلك، لم يستخدم الباحثون خطوط التجميع في المصانع (التي يصعب الحصول على بيانات لها)، بل استخدموا فيديوهات الإصلاح من موقع iFixit (مثل إصلاح هاتف iPhone أو جهاز Game Boy). هذه الفيديوهات مثالية لأنها تتضمن:
- أجزاء صغيرة ودقيقة.
- أدوات محددة.
- قواعد سلامة صارمة.
- خبراء يقومون بأشياء لا يشرحونها دائمًا.
وقد اختبروا هذا النظام على عدة نماذج مختلفة من الذكاء الاصطناعي (بعضها يمكنه "رؤية" الفيديوهات، وبعضها يقرأ النصوص المكتوبة فقط).
ما توصلوا إليه
- المهندس المعماري الصارم آمن: عندما اتبع الذكاء الاصطناዊ القواعد فقط، لم يخترع أي أدوات وهمية. إذا ذكر أن أداة ما قد استُخدمت، فقد كانت موجودة بالفعل في الفيديو. ومع ذلك، فقد فاتته الكثير من الأدوات التي كانت ضمن "الضمنيات".
- المحقق يسد الفجوات: عندما أضافوا خطوة "الاستدلال النشط"، تذكر النظام فجأة جميع الأدوات والخطوات المفقودة.
- مثال: في نص مكتوب، قد يقول الصوت: "أعد القطعة المعدنية (البركيت) مكانها". يرى المهندس المعماري الصارم عدم وجود أداة. فيقول المحقق: "لا يمكنك إعادة قطعة معدنية صغيرة يدويًا؛ أنت بحاجة إلى ملقط". فيضيف الملقط إلى القائمة مع ملاحظة: "مستنتج لأن القطع الصغيرة عادة ما تحتاج إلى ملقط".
- الفيديو مقابل النص: نماذج الذكاء الاصطناعي التي استطاعت مشاهدة الفيديو قدمت أداءً أفضل من تلك التي قرأت النصوص فقط، ولكن حتى نماذج الفيديو فاتتها بعض الأمور التي استطاع منطق "المحقق" رصدها.
- الفائز: جاءت أفضل النتائج من نموذج محدد (Gemini 2.5 Flash) يشاهد الفيديوهات، مدمجًا مع منطق "المحقق". لقد حقق درجة تقارب الكمال في تحديد كل من الأدوات والأجزاء.
لماذا هذا مهم؟
تخلص الورقة البحثية إلى أن هذه الطريقة تمثل خطوة كبيرة للأمام في نقل المعرفة (Knowledge Transfer). فهي تسمـح لنا بأخذ "الحكمة غير المنطوقة" للخبير وتحويلها إلى تنسيق رقمي يمكن للكمبيوتر فهمه، والتحقق منه، واستخدامه لتعليم الآخرين.
يعمل الباحثون حاليًا على استخدام هذا في مشروع يسمى KnowledgeX للمساعدة في نقل المعرفة في مجال التصنيع. كما يقومون ببناء نظام واقع معزز (AR) (مثل النظارات الذكية) يمكنه عرض التعليمات "المثالية" القابلة للقراءة آليًا فوق الآلة الحقيقية، مما يضمن عدم تفويت العامل للخطوات الضمنية التي تتسبب عادة في وقوع الأخطاء.
باختصار: لقد بنوا نظامًا لا يكتفي بالاستماع إلى ما يقوله الخبراء، بل يفهم ما يقصدونه، مكملاً الفجوات بعمل منطقي استقصائي لإنشاء دليل كامل وخالٍ من الأخطاء.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.