GPTKB 2.0: Direct Construction of Disambiguated Knowledge Bases from Large Language Models
تقدم الورقة البحثية GPTKB 2.0، وهي منهجية قابلة للتوسع تبني قاعدة معرفية بمليون عنصر وفك لغمبضات المعنى مباشرة من النماذج اللغوية الكبيرة عبر تنفيذ عملية توحيد القياس (canonicalization) للكيانات والعلاقات والفئات آنياً للتغلب على قيود التمثيل الأصلية.
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 بناء المكتبة المثالية لكل ما هو موجود في العالم. لعقود من الزمن، حاول أمناء المكتبات (علماء الكمبيوتر) القيام بذلك عن طريق قراءة الكتب والمواقع الإلكترونية، وقص الحقائق ولصقها في بطاقات مرتبة. لكن هناك مشكلة شائكة: الأسماء فوضوية. فكلمة "ميونخ" قد تكون مدينة في ألمانيا أو فيلمًا عن الجواسيس. وعبارة "إيل دو فرانس" و"منطقة إيل دو فرانس" قد تبدوان مختلفتين، لكنهما تعنيان نفس المكان تمامًا. إذا لم تكن مكتبتك حذرة، فستنتهي بامتلاك بطاقتين مختلفتين لنفس الشيء، أو قد تلصق بالخطأ شيئين مختلفين معًا لأنهما يتشاركان في الاسم نفسه.
مؤخرًا، ظهر نوع جديد من "الأدمغة الخارقة" يسمى "النموذج اللغوي الكبير" (LLM). هذه النماذج قرأت الكثير من الإنترنت لدرجة أنها تبدو وكأنها تعرف الحقائق دون الحاجة إلى كتاب مادي. اعتقد بعض الباحثين: "لماذا لا نطلب من هذا الدماغ الخارق أن يبني المكتبة لنا؟" ولكن هنا تكمن العقبة: الدماغ الخارق لا يمتلك في الواقع قائمة ببطاقات تعريف فريدة للأشياء؛ هو فقط يعرف الكلمات. إذا طلبت منه سرد حقائق، فقد ينشئ بالخطأ مدخلًا مكررًا لـ "ميونخ المدينة" و"ميونخ الفيلم" لأنه يعاملهما ككلمة واحدة، أو قد ينسى أن "إيل دو فرانس" و"منطقة إيل دو فرانس" هما نفس المكان. تقدم هذه الورقة البحثية طريقة جديدة ذكية لإصلاح تلك الفوضى، وتحويل إجابات الدماغ الخارق المليئة بالكلمات إلى مكتبة منظمة وضخمة ونظيفة، حيث يكون لكل شيء بطاقة تعريف فريدة خاصة به، حتى لو شاركه في الاسم شيء آخر.
الورقة البحثية: GPTKB 2.0
يعمل الباحثون وراء هذا العمل، يوجيا هو، وتوان فونج نجوين، وسيمون رازنيفسكي، على معالجة تحدٍ كبير في عالم الذكاء الاصطناعي. أرادوا معرفة ما إذا كان بإمكانهم بناء قاعدة معرفية ضخمة ومنظمة مباشرة من نموذج لغوي كبير (LLM) دون الاعتماد على قواعد بيانات موجودة مثل ويكيبيديا لإخبارهم بما هو موجود وما ليس موجودًا.
المشكلة: فوضى "لعبة الأسماء"
تخيل النموذج اللغوي الكبير كصديق ثرثار جدًا يعرف مليون حقيقة، لكن خط يده سيء للغاية ولا يملك نظام أرشفة. إذا سألت هذا الصديق أن يكتب حقائق عن "ميونخ"، فقد يكتب:
- "ميونخ هي مدينة في ألمانيا."
- "ميونخ هو فيلم عن الجواسيس."
إذا كتبت هذه المعلومات كما وردت، فسينتهي بك الأمر بمدخلين مختلفين لـ "ميونخ" يبدوان متطابقين. أو إذا قال صديقك "إيل دو فرانس" و"منطقة إيل دو فرانس"، فقد تظن أنهما مكانان مختلفان وتصنع بطاقتين منفصلتين. يُسمى هذا مشكلة الاشتراك اللفظي (نفس الاسم لأشياء مختلفة) والترادف (أسماء مختلفة لنفس الشيء). المحاولات السابقة لبناء هذه المكتبات من النماذج اللغوية الكبيرة كانت تعتمد غالبًا على الكلمات كما هي، مما أدى إلى قاعدة بيانات فوضوية مليئة بالتكرار.
الحل: "المحقق السياقي"
ابتكر الفريق نظامًا جديدًا يسمى GPTKB 2.0. بدلاً من مجرد سؤال النموذج اللغوي عن الحقائق، قاموا ببناء مسار ذكي يعمل مثل المحقق. وإليك كيف يعمل، خطوة بخلف خطوة:
- البذرة: يبدأون بكيان واحد فقط، مثل بذرة تُزرع في الأرض (استخدموا "فانيفار بوش" كنقطة انطلاقهم).
- الطلب (الاستخراج): يسألون النموذج اللغوي: "أخبرني حقائق عن [البذرة]". لكنهم لا يطلبون الاسم فقط؛ بل يطلبون الوصف أيضًا. لذا، إذا كانت البذرة هي "ميونخ (المدينة)"، فإن النموذج سيعرف أن يتحدث فقط عن المدينة، وليس عن الفيلم.
- عمل المحقق (تمييز الكيانات): عندما يعطي النموذج اللغوي حقيقة جديدة، يتحقق النظام: "انتظر، هل رأينا هذا الاسم من قبل؟"
- إذا كان الاسم هو "ميونخ"، ينظر النظام في السياق (الجملة التي جاءت منها). إذا كانت الجملة تقول "ميونخ هي عاصمة"، فإنه يطابقها مع بطاقة المدينة. أما إذا قالت "ميونخ هي فيلم"، فإنه ينشئ بطاقة جديدة تمامًا للفيلم.
- إذا كان الاسم هو "منطقة إيل دو فرانس"، يدرك النظام أن هذه مجرد طريقة منمقة لقول "إيل دو فرانس" ويقوم بدمجهما في بطاقة واحدة.
- التوازي المحروس: القيام بهذا الأمر واحدًا تلو الآخر هو عملية بطيئة. والقيام به دفعة واحدة أمر محفوف بالمخاطر (قد تنشئ بطاقتين لـ "ميونخ" قبل أن تدرك أنهما الشيء نفسه). ابتكر الفريق طريقة "محروسة" للقيام بالعديد من عمليات التحقق في وقت واحد، مع التأكد من عدم تكرار الأشياء بالخطأ أثناء محاولتهم فهمها.
النتيجة الكبرى
قام الفريق بتشغيل هذا النظام على نطاق واس مذهل. لم يكتفوا بإنشاء قائمة صغيرة؛ بل بنوا مكتبة تحتوي على:
- 38.4 مليون حقيقة (تسمى "ثلاثيات").
- 1.6 مليون كيان فريد ومتميز (أشياء مثل أشخاص، أماكن، وأفلام).
- 207,633 علاقة (كيف ترتبط الأشياء ببعضها) و 66,523 فئة (أنواع الأشياء).
ما يجعل هذا الأمر مميزًا هو أن 36.8% من هذه الكيانات هي كيانات جديدة. إنها لا توجد في قاعدة بيانات "ويكي داتا" الشهيرة. وهذا يعني أن النموذج اللغوي الكبير وجد أشياء فاتتها المكتبات التي يديرها البشر، خاصة في "الذيل الطويل" للمواضيع الغامضة أو الأقل شيوعًا.
هل نجح الأمر؟
اختبر الباحثون هذه المكتبة لمعرفة مدى دقتها.
- الدمج: عندما حاولوا دمج الأشياء التي يجب أن تكون هي نفسها (الترادفات)، كانوا محقين بنسبة 91% من المرات.
- الفصل: عندما حاولوا إبقاء الأشياء المختلفة منفصلة (الاشتراك اللفظي)، كانوا محقين بنسبة 100% في عينات الاختبار الخاصة بهم.
- التحقق من الحقائق: قاموا بفحص حقائق عشوائية مقابل الويب. تبين أن حوالي 94.5% من الحقائق مؤكدة كحقائق صحيحة، و 2% فقط كانت خاطئة.
لماذا يهم هذا الأمر؟
قبل هذا، كانت معظم قواعد المعرفة الكبيرة تعتمد على البشر أو قواعد البيانات الموجودة مثل ويكيبيديا للحفاظ على تنظيمها. تثبت هذه الورقة أنه يمكنك بناء قاعدة معرفة ضخمة ونظيفة مباشرة من "دماغ" نموذج ذكاء اصطناعي دون الحاجة إلى خريطة مسبقة الوجود. إنها تثبت أنه مع وجود أدوات "المحقق" المناسبة، يمكن للذكاء الاصطناعي تنظيم معرفته الخاصة، وإيجاد أشياء فريدة وتصنيف الأسماء المربكة، مما يخلق مكتبة أكبر وأكثر تفصيلًا من أي شيء بنيناه من قبل.
النظام متاح الآن لأي شخص لاستكشافه، مما يظهر أنه يمكننا أخيرًا تحويل المعرفة الفوضوية والثرثارة للذكاء الاصطناعي إلى خريطة مهيكلة وموثوقة للعالم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.