🤖 AI

X-SYNTH: Beyond Retrieval -- Enterprise Context Synthesis from Observed Human Attention

يُعد X-SYNTH إطار عمل مبتكر يعزز تركيب سياق الذكاء الاصطناستري للمؤسسات عبر نمذجة آثار الانتباه الرقمي للعمال الأفراد كخطوط أساس سلوكية لتحديد بصمات النشاط ذات الصلة سببيًا، مما يؤدي إلى تحسين دقة المهام وتقليل المسارات الخاطئة بشكل كبير مقارنة بالطرق التقليدية القائمة على الاسترجاع.

المؤلفون الأصليون: Guruprasad Raghavan, George Nychis, Rohan Narayana Murthy

نُشر 2026-05-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Guruprasad Raghavan, George Nychis, Rohan Narayana Murthy

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 حل لغز معقد، مثل معرفة من هو على وشك إبرام صفقة تجارية كبرى. لديك مكتبة ضخمة من الأدلة: آلاف رسائل البريد الإلكتروني، ورسائل الدردشة، ودعوات التقويم، وعمليات عرض المستندات.

المشكلة: نهج "محرك البحث" يفشل
تعمل معظم وكلاء الذكاء الاصطناعي حالياً مثل محركات البحث القياسية. إذا سألت: "جد لي الفاتورة الخاصة بالطلب رقم 123"، سيبحث الذكاء الاصطناعي عن الكلمات الدقيقة "فاتورة" و"123" ويجدها. هذا يعمل بشكل رائع للمهام البسيطة.

لكن إذا سألت: "من المرجح أن يوقع صفقة جديدة قريباً؟"، سيتعثر الذكاء الاصطناعي. لماذا؟ لأن الإجابة ليست مكتوبة في مستند واحد ينتظر العثور عليه. الإجابة مخبأة في نمط السلوك. ربما قضى رجل مبيعات 20 دقيقة في قراءة ورقة أسعار المنافسين، ثم فتح فوراً نموذج عقد، ثم أرسل رسالة سريعة إلى مديره. لا توجد أي من هذه الأفعال الفردية تصرخ بكلمة "صفقة"، لكن تسلسل هذه الأفعال يفعل ذلك.

يفشل الذكاء الاصطناعي القياسي لأنه ينظر فقط إلى محتوى المستندات، وليس إلى قصة كيفية تفاعل الإنسان معها. الأمر يشبه محاولة فهم فيلم من خلال قراءة قائمة بالأدوات المستخدمة فيه، دون رؤية المشاهد أو تعبيرات الممثلين.

الحل: X-SYNTH (المحقق "التوأم الرقمي")
تقدم الورقة البحثية نظام X-SYNTH، وهو نظام لا يكتفي بقراءة المستندات فحسب؛ بل يراقب كيف يولي البشر اهتمامهم لها. فكر في الأمر كأنك تمنح الذكاء الاصطناعي "توأماً رقمياً" لكل موظف.

إليك كيف يعمل، باستخدام تشبيه بسيط:

1. بصمة التوأم الرقمي (DTS)

تخيل أن لكل موظف "بصمة سلوكية". هذه ليست مجرد قائمة بما يفعلونه؛ بل هي ملف تعريف متحرك لعاداتهم الطبيعية.

الأساس: نحن نعرف أن "سارة" تقضي عادةً 30 دقيقة يومياً في تقارير الأمن.
الانحراف: إذا توقفت سارة فجأة عن الاطلاع على التقارير الأمنية لمدة ثلاثة أيام، فإن هذا الصمت يعد إشارة قوية.
السياق: نحن نعرف أن "سارة" تستخدم الرمز "FZ" لتعني "المنطقة الرسمية" (صفقة جديدة)، بينما يستخدم "مايك" الرمز "FZ" ليعني "المنطقة المجمدة" (مشروع متوقف).

يبني X-SYNTH هذا "التوأم الرقمي" لكل عامل، ويتعلم إيقاعهم الفريد، ومفرداتهم، وما يبدو عليه "الوضع الطبيعي" بالنسبة لهم.

2. مرشحات الانتباه السبعة

بدلاً من مطالبة الذكاء الاصطناعي بتخمين ما هو مهم، يستخدم X-SYNTH سبعة "عدسات" أو مرشحات مختلفة للنظر إلى البيانات، اعتماداً على من يتم مراقبته وما هو السؤال المطروح.

المكبر (التناسبي): إذا قضى شخص ما وقتاً طويلاً في مستند ما، فمن المحتمل أن يكون مهماً.
إنذار الصمت (العكسي): إذا كان شخص ما يتحقق عادةً من ملف معين ولكنه توقف فجأة، فإن هذا الغياب يعد إشارة (ربما وجد مشكلة في مكان آخر).
كاشف الانحراف (التفاضلي): إذا كان الشخص يتجاهل عادةً وثائق المنافسين ولكنه بدأ فجأة في قراءتها، فهذا يعد علامة خطر كبيرة.
تذكرة العودة (التكراري): إذا كان شخص ما يفتح ويغلق نفس الملف باستمرار، فهو إما يعاني معه أو يقيمه بعمق.
أحجية الصور المقطوعة (المقارن): إذا كان شخص ما يتنقل بسرعة بين عقدين متشابهين، فهو يقوم بالمقارنة بينهما بنشاط.
لوحة القصة (التسلسلي): هل قرأ العقد قبل أم بعد البريد الإلكتروني؟ الترتيب مهم.
مصدر الحشد (الجماعي): هل ينظر الفريق بأكمله فجأة إلى نفس العميل؟ هذه إشارة إجماع.

3. الموجه الذكي

يحدث السحر في المنتصف. عندما تطرح سؤالاً، لا يختار X-SYNTH مرشحاً واحداً فحسب. بل يسأل: "من هو الشخص المعني بهذا، وما هو سلوكه الحالي؟"

السيناريو أ: تسأل عن مطور يمتلك أدوات أمنية. يستخدم النظام مرشح المكبر (انظر إلى الأشياء التي يقضي وقتاً فيها).
السيناريو ب: تسأل عن مطور كان يمتلك أدوات أمنية ولكنه أصبح هادئاً الآن. ينتقل النظام إلى مرشح إنذار الصمت (انظر إلى الأشياء التي توقف عن فعلها).

نفس السؤال يحصل على إجابتين مختلفتين لأن النظام يفهم السياق البشري وراء البيانات.

4. النتيجة: من "ضائع" إلى "موجود"

اختبرت الورقة البحثية هذا على فريق مبيعات حقيقي.

بدون X-SYNTH: نظر نموذج ذكاء اصطناعي رفيع المستوى إلى البيانات ولم يجد سوى 9.5% من الصفقات الجديدة الفعلية. لقد فاتته 90% من الفرص وأخطأ في التقدير في معظم الأمور الأخرى. كان الأمر أشبه بمحقق يبحث فقط عن الأدلة المكتوبة بخطوط حمراء عريضة.
مع X-SYNTH: نفس نموذج الذكاء الاصطناعي، بعد تزويده بمرشحات "التوأم الرقمي" هذه، وجد 61.9% من الصفقات. لقد رصد 110 صفقات لم يكن قد وجدها سابقاً.

لماذا ينجح الأمر (لحظة الإدراك!)

تجادل الورقة بأن العمل المؤسسي مليء بـ "النكات الداخلية" والإشارات الخفية.

مثال: يرى رجل مبيعات بريداً إلكترونياً بعنوان "إنشاء FZ لـ PO".
- الذكاء الاصطناعي القياسي: "ما هو FZ؟ وما هو PO؟ لا أعرف. سأفترض أنه لا يحدث شيء."
- X-SYNTH: "آه، أنا أعرف رجل المبيعات هذا. في تاريخه، 'FZ' تعني دائماً 'المنطقة الرسمية' (صفقة جديدة)، و'PO' تعني 'أمر شراء'. كما أنه فتح للتو مرفق العقد. هذه صفقة!"

الخلاصة

يثبت X-SYNTH أن إيجاد السياق المناسب للذكاء الاصطناعي لا يتعلق باسترجاع المزيد من النصوص؛ بل يتعلق بفهم الأهمية من خلال السلوك البشري. من خلال مراقبة كيفية عمل الناس، وليس فقط ما يكتبونه، يمكن للنظام تحويل تدفق الضجيج الرقمي الفوضوي إلى قصة واضحة وقابلة للتنفيذ. إنه يحول الذكاء الاصطناعي من أمين مكتبة سلبي إلى محقق نشط يفهم الأشخاص الذين يعمل معهم.

ملخص تقني: X-SYNTH — تركيب السياق المؤسسي من خلال الانتباه البشري الملحوظ

1. بيان المشكلة

في العمليات المؤسسية، يكون السياق المطلوب للوكلاء الذكيّين (AI agents) لإكمال المهام المعقدة مشتتًا عبر أنظمة السجلات، والمخازن الثابتة، وقنوات التواصل. تعتمد النهج السائدة حاليًا على التوليد المعزز بالاسترجاع (RAG)، والذي يطابق محتوى الطلب مع البيانات المخزنة. وبينما يعد هذا النهج فعالًا للاستعلامات الضيقة القائمة على المحتوى (مثل "ابحث عن الفاتورة INV-34231")، إلا أنه يفشل في المهام الوكيلة المعقدة التي تتطلب تركيبًا من الأدلة السلوكية المشتتة.

نمط الفشل الجوهري هو غياب إشارة صلة مبدئية. تتعامل أنظمة الاسترجاع القياسية مع البيانات كنصوص ثابتة، متجاهلة "التسلسل المرتب من الأفعال" و"إشارات المكافأة الضمنية" التي تشفر كيفية سير العمل فعليًا. نتيجة لذلك، يعاني الوكلاء من انخفاض في معدلات النجاح الحقيقية (TLR) وارتفاع في معدلات النجاح الزائفة (FLR)، لأنهم لا يستطيعون التمييز بين الضجيج والأنماط السلوكية ذات الصلة السببية الخاصة بمؤسسة أو فريق أو فرد معين. تجادل الورقة بأن تركيب السياق المؤسسي ليس مشكلة استرجاع، بل هو مشكلة صلة (relevance problem)، حيث يعمل الانتباه البشري كحقيقة أرضية (ground truth).

2. المنهجية: إطار عمل X-SYNTH

إن X-SYNTH عبيد عن خط إنتاج وكيل مكون من أربع مراحل يقوم بتأصيل تركيب السياق في الانتباه البشري — المعرّف بأنه بصمات التفاعل الرقمي الملحوظة للعاملين. يقوم النظام بنمذجة الخط الأساسي السلوكي لكل فرد كـ بصمة توأم رقمي (DTS) ويستخدم موجهًا متعلمًا للاختيار من بين سبعة فلاتر انتباه متميزة.

المكونات الجوهرية

أ. بصمة التوأم الرقمي (Deness Digital Twin Signature - DTS)
لكل فرد $u$ ، يحافظ النظام على ملف تعريف سلوكي متدحرج $DTS(u, \tau)$ عبر نافذة زمنية $\tau$ . ويتكون من خمسة عناصر:

$v_{dom}$ (انتباه النطاق): تركيز الانتباه عبر نطاقات العمل.
$v_{rhythm}$ (الإيقاع السلوكي): إحصائيات حول وقت المكوث (dwell time)، والزيارات المتكررة، والانتقالات.
$v_{base}$ (الخط الأساسي): إحصائيات النظر إلى الخلف لفترات ممتدة لتأسيس "الطبيعي" للفرد.
** $v_{resp}$ (ملف المسؤولية): الملكية المستنتجة للنطاق المشتقة من النشاط، وليس من الأدوار المعلنة.
$v_{div}$ (التباين): الفرق بين أنماط الانتباه الأخيرة والخط الأساسي طويل الأمد.

ب. فلاتر الانتباه السبعة
يقوم محدد نمط (modality selector) متعلم $f_\theta$ (عبارة عن MLP مكون من 3 طبقات) برسم خريطة للطلب $q$ وDTS الخاص بالمستخدم إلى توزيع احتمالي عبر سبعة فلاتر متميزة نوعيًا:

التناسبي (Proportional): يشير وقت المكوث العالي إلى الأهمية (الانتباه المتوقع).
العكسي (Inverse): يشير غياب الانتباه المتوقع إلى الأهمية.
التفاضلي (Differential): يشير الانحراف عن الخط الأساسي للفرد نفسه إلى الأهمية.
المتكرر (Recurrent): تشير العودة المتكررة إلى أثر ما إلى الأهمية.
المقارن (Comparative): يشير التناوب السريع بين آثار متشابهة إلى التقييم النشط.
التسلسلي (Sequential): الانحرافات عن تسلسلات سير العمل المتوقعة.
الجماعي (Collective): يجمع الانتباه عبر مجموعة لتحديد الإجماع أو القيم المتطرفة.

ج. خط الإنتاج ذو المراحل الأربع

تحديد نطاق الموضوع (Subject Scoping): تحديد مجموعة الأفراد المستهدفة $U_q$ بناءً على الاستعلام.
اختيار النمط (Modality Selection): لكل زوج $(q, u)$ ، يحسب النظام $m(q, u) = \text{softmax}(f_\theta([q; DTS(u, \tau)]))$ لاختيار الفلتر (أو الفلاتر) المناسبة.
الاسترجاع والوزن (Retrieval & Weighting): يتم ترتيب الآثار بناءً على وزن مشترك $w(a_j, q, u) = I_{attn}(a_j, q, u) \cdot I_{content}(a_j, q)$ . يضمن هذا أن تكون الآثار ذات صلة بالمحتدو وذات أهمية سلوكية في آن واحد.
التركيب (Synthesis): يقوم نموذج لغوي كبير (LLM) بتركيب الاستجابة باستخدام الأدلة المرتبة وتوصيفات الأنماط.

د. حلقة التغذية الراجعة (Feedback Loop)
يقوم النظام بتفكيك التغذية الراجعة النهائية إلى احتمالات فشل على مستوى المرحلة. يتم تحديث محدد النمط فقط عندما يُعزى الفشل إلى المرحلة 2 (اختيار النمط)، مما يمنع إشارة التدريب من التلوث بأخطاء الاسترجاع أو التركيب.

3. المساهمات الرئيسية

تحدد الورقة أربع مساهمات رئيسية:

الانتباه البشري كحقيقة أرضية سلوكية: تشغيل الانتباه البشري كإشارة صلة تمييزية قابلة للتعلم دون تسميات خارجية، مشفرة عبر الـ DTS.
إطار عمل أنماط الانتباه السبعة: مجموعة من الفلاتر المتميزة نوعيًا والتي يتم اختيارها ديناميكيًا لكل فرد واستعلام عبر موجه خفيف الوزن.
خط إنتاج تركيبي ذو أربع مراحل: سير عمل يدمج تحديد نطاق الموضوع، واختيار النمط الفردي، والاسترجاء الموزون بالانتباه، والتركيب.
حلقة تغذية راجعة ذات ائتمان محدد (Credit-Attributed): آلية لعزل وتحديث محدد النمط فقط عندما يكون متعلقًا بخطأ في تصنيف النمط، مما يضمن إشارات تدريب نظيفة.

4. التقييم والنتائج

تم تقييم إطار العمل على اختبار مرجعي يتكون من 302 حالة مستمدة من آثار تفاعل رقمي حقيقية لخمسة موظفي معرفة في شركة من شركات Fortune 500 (210 حالات إيجابية لفرص تجارية، و92 حالة سلبية).

أداء النموذج المرجعي (Baseline):

حقق نموذج رائد (Claude Opus 4.6) يعمل مباشرة على تسلسلات التفاعل الخام معدل نجاح حقيقي (TLR) قدره 9.5% ومعدل نجاح زائف (FLR) قدره 90.5%.
حقق نموذج أصغر (GPT-4o-mini) معدل نجاح حقيقي (TLR) بنسبة 0%.

أداء X-SYNTH:

النموذج الرائد + X-SYNTH: ارتفع معدل النجاح الحقيقي (TLR) إلى 61.9% (تحسن بمقدار 6.5 ضعف)، حيث التقط 130 من أصل 210 فرصة حقيقية. وانخفض معدل النجاح الزائف (FLR) إلى 18.8%.
النموذج الصغير + X-SYNTH: ارتفع معدل النجاح الحقيقي (TLR) من 0% إلى 57.1%، مما يثبت أن الإطار يمكنه جعل النماذج الأصغر وظيفية للمهام المعقدة.

النتائج النوعية:

فجوة المفردات: نجح X-SYNTH في تفسير الاختصارات الخاصة بالمؤسسة (مثل "FZ" لـ "Formal Zone") من خلال الاستفادة من الـ DTS، بينما فشل الاستدلال المباشر بسبب نقص الأولويات التنظيمية.
النطاق والانتقائية: الاستدلال المباشر غير ممكن على نطاق واسع بسبب حجم الرموز (Tokens) (يصل إلى 2.5 مليون رمز يوميًا لكل بائع). يجعل الاسترجاع الانتقائي الخاص بـ X-SYNTH عملية التقييم قابلة للتطبيق.
التكامل الزمني: نجح X-SYNTH في دمج الإشارات عبر عدة أيام وأفراد، بينما فات النوافذ الزمنية أحادية اليوم السياق الحرج.

5. الأهمية والادعاءات

تدعي الورقة أن تركيب السياق المؤسسي ليس مشكلة استرجاع، بل هو مشكلة صلة. إن غياب إشارة صلة قائمة على السلوك البشري هو العائق الرئيسي أمام الوكلاء الذكيّين للمؤسسات، وليس القدرة الاستدلالية للنموذج اللغوي الكبير (LLM) الأساسي.

يوضح X-SYNTH أنه من خلال نمذجة الخطوط الأساسية السلوكية الفردية (DTS) واختيار فلاتر الانتباه ديناميكيًا، يمكن للأنظمة:

استعادة الصلة السببية من الأدلة السلوكية المشتتة.
التغلب على "فجوة المفردات المؤسسية" من خلال ترسيخ الاستدلال في الأولويات التنظيمية المتراكمة.
التوسع في تدفقات التفاعل عالية الحجم من خلال الضغط القائم على السلوك بدلاً من مطابقة الكلمات المفتاحية.

يخلص المؤلفون إلى أن الانتباه البشري هو أكثر الحقائق الأرضية موثوقية للصلة المؤسسية، وأن X-SYNTH يوفر آلية منضبطة لعمل هذه الإشارة، مما يحسن بشكل كبير من فائدة الوكلاء الذكيّين في تدفقات العمل المؤسسية المعقدة.