Agentic GraphRAG: Navigating Unstructured Financial Data with Collaborative AI
تقدم هذه الورقة البحثية "Agentic GraphRAG"، وهو إطار عمل ذكاء اصطناعي تعاوني يدمج رسمًا بيانيًا معرفيًا من نوع Neo4j مع وكلاء نمطيين لتحليل بيانات السجل التجاري المعقدة وغير المهيكلة بفعالية، مما يظهر أداءً متفوقًا على أنظمة RAG القياسية القائمة على المتجهات من حيث الدقة، والصلة، والاستنتاج متعدد الخطوات على مجموعة بيانات سويسرية واسعة النطاق.
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 هائل يتضمن آلاف الشركات، لكن جميع الأدلة مبعثرة عبر مكتبة تضم سبعة ملايين كتاب مغبر ومربك. بعض الأدلة مكتوبة بدقة في سجل (بيانات مهيكلة)، بينما البعض الآخر مخفي داخل فقرات قانونية طويلة وفوضوية مكتوبة بثلاث لغات مختلفة (نص غير مهيكل).
هذه هي المشكلة التي يحاول مؤلفا البحث، آرثر كابوزي وديرك هيلبينج، حلها من خلال نظامهم الجديد: Agentic GraphRAG.
إليك شرح مبسط لكيفية عمله، باستخدام تشبيهات من الحياة اليومية:
1. المشكلة: مكتبة "إبرة في كومة قش"
السجلات العامة (مثل الجريدة الرسمية السويسرية ل التجارة) مجانية للقراءة، لكنها كابوس في الاستخدام.
- الطريقة القديمة (Vector RAG): تخيل أنك تحاول العثور على شخص معين في تلك المكتبة بمجرد الصراخ بالكلمات المفتاحية. إذا سألت: "من يملك الشركة التي أفلست في عام 2020؟"، فإن بحث الكمبيوتر القياسي قد يجد فقط المستندات التي تحتوي على كلمتي "إفلاس" و"2020"، لكنه قد يغفل عن الربط بين المالك والحدث لأن المعلومة مدفونة في جمل مختلفة. الأمر يشبه محاولة العثور على خيط محدد في كرة صوف متشابكة عبر شد الخيوط الخارجية فقط.
- الواقع: الحقائق المهمة غالبًا ما تكون مجزأة. مستند واحد يقول إن شركة ما غيرت اسمها؛ ومستند آخر يقول إنها عينت مديرًا جديدًا؛ وثالث يقول إنها أفلست. محرك البحث القياسي يعاني في ربط هذه النقاط ببعضها.
2. الحل: بناء "خريطة فائقة" (مخطط المعرفة - Knowledge Graph)
بدلاً من مجرد البحث في النصوص، قام المؤلفون ببناء خريطة تفاعلية ضخمة تسمى مخطط المعرفة (Knowledge Graph).
- المرحلة الأولى: العقد القوية (السجل الرسمي): قاموا أولاً بأخذ البيانات النظيفة والرسمية (مثل أسماء الشركات ومعرفاتها) وتحويلها إلى نقاط ثابتة لا تتزعزع على الخريطة. فكر في هذه النقاط كأنها "نقاط مرجعية".
- المرحلة الثانية: العقد الضعيفة (عمل المحقق): بعد ذلك، استخدموا "محققًا" يعمل بالذكاء الاصطناعي (نموذج لغوي كبير) لقراءة النصوص القانونية الفوضوية وغير المهيكلة. وجد المحقق أدلة مخفية — مثل أسماء المصفيين، أو الدائنين، أو المديرين المؤقتين — التي لم تكن موجودة في القوائم الرسمية. تمت إضافة هذه المعلومات إلى الخريطة كـ "عقد ضعيفة".
- المرحلة الثالثة: تحديد الهوية (دمج بطاقات الأسماء): هذا هو الجزء الصعب. في العالم الحقيقي، "John Doe" و "J. Doe" و "Doe, John" هم نفس الشخص، لكن الكمبيوتر يراهم كثلاثة أشخاص مختلفين. يستخدم النظام حيلة ذكية (الترميز الأبجدي) لإدراك أنهم جميعًا نفس الشخص ودمجهم في "مركز اسم موحد" (NameHub) على الخريطة. هذا يضمن عدم ازدحام الخريطة بالأسماء المكررة.
3. الوكيل (The Agent): "أمين المكتبة الذكي" مع قائمة مهام
بمجرد بناء الخريطة، قاموا بإنشاء وكيل تحليلي (Analytical Agent) للتحدث معها. هذا ليس مجرد روبوت دردشة؛ بل هو أمين مكتبة ذكي لديه مجموعة صارمة من القواعد.
- موجه النوايا (موظف الاستقبال): عندما تطرح سؤالًا، يقوم ذكاء اصطناعي يعمل كـ "موظف استقبال" بتحديد ما تريده حقًا. هل تريد العثور على شركة؟ تتبع شبكة؟ أم البحث في التاريخ؟ بعد ذلك، يقوم بحصر أمين المكتبة ضمن مجموعة محددة من الأدوات حتى لا يرتبك أو يحاول القيام بالكثير من الأشياء في وقت واحد.
- حلقة التأمل (التصحيح الذاتي): إذا حاول أمين المكتبة البحث عن شركة وفشل (ربما بسبب خطأ في الإملاء)، فإنه لا يستسلم. لديه "حلقة تأمل" حيث يتوقف، يفكر، ويقول لنفسه: "أوه، لقد استخدمت الأداة الخاطئة"، ثم يجرب نهجًا مختلفًا. يمكنه القيام بذلك حتى أربع مرات للتأكد من الحصول على الإجابة الصحيحة.
- آلة الحالة (شرطي المرور): يتتبع النظام مكان وجوده في المحادثة. إذا سألت عن شركة، ثم سألت "من هم شركاؤها؟"، يتذكر النظام أنك لا تزال تتحدث عن تلك الشركة المحددة. هذا يمنع الذكاء الاصطناعي من الضياع أو تكرار نفسه.
4. لوحة التحكم: "غرفة التحكم"
يتضمن النظام لوحة تحكم مرئية حيث يمكن للبشر رؤية ما يحدث.
- يمكنك رؤية خريطة الروابط (من يعرف من).
- يمكنك رؤية "آثار التنفيذ" (execution traces)، وهي تشبه تسجيل فيديو لعملية تفكير الذكاء الاصطناعي. يمكنك رؤية بالضبط أي الأدوات استخدمها وما هي البيانات التي وجدها. هذا يجعل النظام شفافًا — فأنت تعرف لماذا أعطاك إجابة، وليس فقط ما هي الإجابة.
5. النتائج: لماذا هو أفضل؟
اختبر المؤلفون هذا النظام مقابل نظام "محرك البحث" التقليدي (Vector RAG).
- الدقة: كان نظام GraphRAG أفضل بكثير في العثء على الإجابات الصحيحة، خاصة للأسئلة المعقدة التي تتطلب ربط عدة نقاط (الاستنتاج متعدد الخطوات).
- الاكتمال: لم يقدم إجابة جزئية فحسب؛ بل وجد جميع التفاصيل ذات الصلة.
- المحادثة: في الدردشة التفاعلية، تذكر نظام GraphRAG السياق بشكل أفضل بكثير. إذا سألت عن شركة ثم سألت "ماذا حدث بعد ذلك؟"، فقد عرف أنك لا تزال تتحدث عن تلك الشركة. أما النظام القياسي فغالبًا ما ينسى السياق.
الخلاصة
يقدم هذا البحث نظامًا يحول كومة فوضوية من الوثائق القانونية إلى خريطة نظيفة ومترابطة، ثم يمنحك وكيلًا ذكيًا ذاتي التصحيح لاستكشاف هذه الخريطة. إنه مصمم ليكون شفافًا وقابلًا للتدقيق، بحيث يمكن للخبراء الوثوق بالنتائج.
ملاحظة هامة: اختبرت الورقة البحثية هذا النظام تحديدًا على بيانات السجل التجاري السويسري (سجلات الأعمال، حالات الإفلاس، وتأسيس الشركات). ويدعي المؤلفون أن هذه البنية يمكن تطبيقها على السجلات العامة المماثلة، لكنهم لا يدعون أنها تعمل للبيانات الطبية، أو التجارب السريرية، أو المجالات الأخرى غير ذات الصلة في هذه الدراسة المحددة. كما يؤكدون أنه رغم قوة النظام، إلا أنه لا يزال بحاجة إلى إشراف بشري ("الإنسان في الحلقة") للتحقق من الأدلة، خاصة وأن الذكاء الاصطناعي قد يكون صارمًا للغاية أو قد يغفل عن تفاصيل دقيقة في التنسيق.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.